سلیمانی, رضا, روحانی, سید مجتبی. (1390). تشخیص آریتمیهای قلبی به کمک شبکههای عصبی با بکارگیری ویژگیهای آشوبی سیگنال نرخ تغییرات قلبی و تکنیک تحلیل تمایزی تعمیمیافته. فصل نامه علمی پژوهشی مهندسی پزشکی زیستی, 5(2), 89-103. doi: 10.22041/ijbme.2011.13143
رضا سلیمانی; سید مجتبی روحانی. "تشخیص آریتمیهای قلبی به کمک شبکههای عصبی با بکارگیری ویژگیهای آشوبی سیگنال نرخ تغییرات قلبی و تکنیک تحلیل تمایزی تعمیمیافته". فصل نامه علمی پژوهشی مهندسی پزشکی زیستی, 5, 2, 1390, 89-103. doi: 10.22041/ijbme.2011.13143
سلیمانی, رضا, روحانی, سید مجتبی. (1390). 'تشخیص آریتمیهای قلبی به کمک شبکههای عصبی با بکارگیری ویژگیهای آشوبی سیگنال نرخ تغییرات قلبی و تکنیک تحلیل تمایزی تعمیمیافته', فصل نامه علمی پژوهشی مهندسی پزشکی زیستی, 5(2), pp. 89-103. doi: 10.22041/ijbme.2011.13143
سلیمانی, رضا, روحانی, سید مجتبی. تشخیص آریتمیهای قلبی به کمک شبکههای عصبی با بکارگیری ویژگیهای آشوبی سیگنال نرخ تغییرات قلبی و تکنیک تحلیل تمایزی تعمیمیافته. فصل نامه علمی پژوهشی مهندسی پزشکی زیستی, 1390; 5(2): 89-103. doi: 10.22041/ijbme.2011.13143
تشخیص آریتمیهای قلبی به کمک شبکههای عصبی با بکارگیری ویژگیهای آشوبی سیگنال نرخ تغییرات قلبی و تکنیک تحلیل تمایزی تعمیمیافته
در این مقاله یک الگوریتم جدید ومؤثر جهت طبقهبندی آریتمیهای مهم قلبی با استفاده از سیگنال تغییرات ضربان قلب HRV که دارای مشخصههای آشوبگونه بهتری نسبت به ECG ست پیشنهاد شده است. در مرحله استخراج ویژگی، علاوه بر ویژگیهای متداول خطی زمانی و فرکانسی، ویژگیهای غیرخطی (آشوبگون) نیز بررسی شدهاند. برای تسهیل در تعلیم و افزایش دقت طبقهبندیکننده، از دو تکنیک استفاده شده است: الف) تعداد ویژگیهای استخراج شده توسط تکنیک آنالیز تمایزی تعمیمیافته GDA کاهش یافته است بدون آنکه این کاهش محتوای اطلاعات موجود را تقلیل دهد. ب) به کمک یک نگاشت خودسازمانده SOM برای هر گروه از دادهها، دادههایی برای تعلیم انتخاب شدهاند که بیشترین محتوای اطلاعات را در مورد آن گروه داشته باشند. بررسی نتایج نشان میدهد که ویژگیهای آشوبگونه نقش موثری در افزایش دقت سیستم تشخیص آریتمی قلبی دارد بنحوی که دقت کلی روش از حدود 92٪ به 97٪ افزایش یافته است. همچنین این نتایج موید اهمیت بکارگیری تکنیکهای GDA و SOM به نحو پیشگفته است.در مرحله طبقهبندی طبقهبندهای MLP و SVM و PNN مورد استفاده قرار گرفته و نتایج مقایسه شده است. در این مقاله7 نوع آریتمی مختلف VT, VF, LBBB, CHB, AF, AFL, PVC و نیز گروه ضربانهای طبیعی (NSR) با دقت کلی 97.4 درصد شناسایی و طبقهبندی شدهاند.
Heart arrhythmia diagnosis by neural networks using chaotic features of HRV signal and generalized discriminant analysis
نویسندگان [English]
Reza Soleimani1؛ Seyed Mpjtaba Rouhani2
1Lecturer, Islamic Azad University of Sabzevar
2Assistant Professor, Islamic Azad University of Gonabad
چکیده [English]
in this paper, a novel and effective algorithm for classification of important heart arrhythmia is presented. The proposed algorithm uses heart rate variation (HRV) signal which has better chaotic characteristics. In addition to commonly used linear time domain and frequency domain features, nonlinear (chaotic) features are examined, too. To increase classification accuracy and facilitate learning, two techniques are used: a) extracted features are reduced by generalized discriminant analysis (GDA) and b) by a self organizing map (SOM), the most informant data are selected. Chaotic features help to improve diagnosis accuracy from 92% up to 97%. The results indicate the importance of GDA and SOM in efficiency of proposed algorithm. MLP, SVM and PNN classifiers are examined and compared. The proposed algorithm was able to diagnose 7 arrhythmias PVC, AFL, AF, CHB, LBBB, VF, VT and normal sinus rhythm (NSR) with 97.4% accuracy.