پردازش سیگنالهای حیاتی
جواد دلاور متنق؛ حامد داننده حصار؛ محمد هادی احمدی فام
دوره 17، شماره 1 ، خرداد 1402، ، صفحه 11-20
چکیده
در سال‌های اخیر استفاده از الگوریتمهای مدل-پایه برای پردازش سیگنال ECG رواج گسترده‌ای یافته است. استخراج مدل دینامیکی ECG یکی از مراحل مهم در این الگوریتم‌هاست که تأثیر مستقیمی در عملکرد آن‌ها دارد. پارامترهای موجود در این مدل را می‌توان با استفاده از الگوریتمهای بهینه‌سازی محاسبه نمود. یکی از متداولترین الگوریتم‌ها در این زمینه ...
بیشتر
در سال‌های اخیر استفاده از الگوریتمهای مدل-پایه برای پردازش سیگنال ECG رواج گسترده‌ای یافته است. استخراج مدل دینامیکی ECG یکی از مراحل مهم در این الگوریتم‌هاست که تأثیر مستقیمی در عملکرد آن‌ها دارد. پارامترهای موجود در این مدل را می‌توان با استفاده از الگوریتمهای بهینه‌سازی محاسبه نمود. یکی از متداولترین الگوریتم‌ها در این زمینه یک الگوریتم غیرخطی آفلاین می‌باشد که برای تقریب خوب مدل و پارامترهای آن، به نقاطی از سیگنال ECG نیاز دارد که توسط کاربر بایستی به‌صورت دستی انتخاب شود. علاوه بر مشکل فوق، تابع هدف در این الگوریتم یک تابع پیچیده است که درصورت انتخاب نادرست نقاط مناسب برای بهینه سازی خروجی مناسبی را دراختیار نخواهد گذاشت. در این مقاله یک الگوریتم جدید خودکار مبتنی بر الگوریتمهای فراابتکاری معرفی می‌شود که نیازی به انتخاب دستی نقاط برای مدلسازی ECG ندارد. بعلاوه بخاطر ساده سازی فرآیند بهینه سازی، از دقت بالایی نسبت به الگوریتم بهینه‌سازی غیرخطی افلاین مورد اشاره برخوردار است. ازآنجایی‌که یک الگوریتم فراابتکاری ممکن است در برخی از مسائل بهینه‌سازی موفق و در برخی دیگر ناموفق عمل کند، در این مقاله عملکرد 9 الگوریتم فراابتکاری متداول مانند ازدحام ذرات، کلونی زنبور عسل، جستجوی فاخته و... در استخراج پارامترهای مدل دینامیکی ECG مورد بررسی قرار گرفت. جهت ارزیابی الگوریتم‌ها از 200 سیگنال ثانیه‌ای مستخرج از پایگاه داده‌ی ریتم سینوس نرمال فیزیونت استفاده گردید. به منظور ارزیابی عملکرد الگوریتم‌ها، شباهت سیگنالهای اصلی با سیگنالهای مصنوعی ECG که توسط الگوریتمهای بهینه‌سازیساخته می‌شدند مورد بررسی قرار گرفت. نتایج بررسی‌ها حاکی از آن بود که سه الگوریتم جستجوی فاخته، بهینه‌سازی مبتنی بر یادگیری و آموزش و بهینه‌سازی تبخیر آب بهترین عملکرد را در استخراج پارامترهای مدل دینامیکی ECG دارند. نتایج حاصل از این مطالعه نشان داده که خطای میانگین مربعات (MSE) الگوریتم پیشنهادی با استفاده از سه الگوریتم فراابتکاری فوق به ترتیب 50/1و 43/1و 40/1 می‌باشد.
پردازش سیگنالهای حیاتی
پرستو صادقی نیا؛ حامد داننده حصار
دوره 16، شماره 3 ، آذر 1401، ، صفحه 271-287
چکیده
سیگنالهای فونوکاردیوگرافی (PCG)، اطلاعات ارزشمندی را در مورد عملکرد دریچه‌های قلبی دارند. ازاین‌رو، این سیگنال‌ها در تشخیص زودهنگام بیماری‌های قلبی می‌توانند مفید واقع شوند. طبقه‌بندی خودکار صدای قلب، دارای پتانسیل امیدوارکننده‌ای در آسیب‌شناسی قلبی است. در این پژوهش، روشی خودکار برای تشخیص صداهای طبیعی از غیرطبیعی قلب پیشنهاد ...
بیشتر
سیگنالهای فونوکاردیوگرافی (PCG)، اطلاعات ارزشمندی را در مورد عملکرد دریچه‌های قلبی دارند. ازاین‌رو، این سیگنال‌ها در تشخیص زودهنگام بیماری‌های قلبی می‌توانند مفید واقع شوند. طبقه‌بندی خودکار صدای قلب، دارای پتانسیل امیدوارکننده‌ای در آسیب‌شناسی قلبی است. در این پژوهش، روشی خودکار برای تشخیص صداهای طبیعی از غیرطبیعی قلب پیشنهاد گردیده است. در روش پیشنهادی ابتدا صداهای قلبی به چهار بخش صدای S1، S2، سیستول و دیاستول قطعه‌بندی می‌گردند. سپس ویژگی‌های زمانی آماری و زمانی فرکانسی از هرکدام از این بخش‌ها استخراج می‌گردد. قبل از عملیات طبقه‌بندی داده‌ها، از دو رهیافت برای انتخاب ویژگی‌های مؤثر استفاده‌شده است. در رهیافت اول، انتخاب ویژگی با استفاده از الگوریتم بهینه‌سازی ازدحام ذرات (PSO) و در رهیافت دوم با استفاده از جستجوی سلسله مراتبی (SFFS) انجام می‌گردد. روش پیشنهادی بر روی پایگاه داده چالش 2016 فیزیونت ارزیابی گردید و در نهایت عملکرد روش پیشنهادی با استفاده از روش اعتبارسنجی متقابل10لایه‌ای مورد ارزیابی قرار گرفت. همچنین، به علت نامتوازن بودن تعداد صداهای طبیعی نسبت به صداهای غیرطبیعی، از تکنیک بیش‌نمونه‌برداری اقلیت مصنوعی (SMOTE) برای تولید مجموعه داده‌های متعادل استفاده گردید. نتایج ارزیابی روی پایگاه داده فوق‌الذکر نشان دادند که روش پیشنهادی دارای صحت 03/98 درصد، حساسیت 64/97 درصد و اختصاصیت 43/98 درصد در تشخیص صداهای طبیعی از غیرطبیعی می‌باشد.
پردازش سیگنالهای حیاتی
حامد داننده حصار؛ امین داننده حصار
دوره 15، شماره 3 ، آذر 1400، ، صفحه 221-234
چکیده
فیلتر کالمن گسترش یافته (EKF) نوعی چهارچوب بیزی غیرخطی شناخته شده بوده که تا کنون در زمینه‌های مختلف پردازش ECG به کار گرفته شده است. با این حال عملکرد این فیلتر در حذف نویزهای غیرایستا مانند آرتیفکت ماهیچه (MA) چندان رضایتبخش نیست. در این مقاله با ارائهی یک مدل دینامیک ECG (EDM) اصلاح شده و یک فرمولاسیون جدید برای پیادهسازی EKF، عملکرد ...
بیشتر
فیلتر کالمن گسترش یافته (EKF) نوعی چهارچوب بیزی غیرخطی شناخته شده بوده که تا کنون در زمینه‌های مختلف پردازش ECG به کار گرفته شده است. با این حال عملکرد این فیلتر در حذف نویزهای غیرایستا مانند آرتیفکت ماهیچه (MA) چندان رضایتبخش نیست. در این مقاله با ارائهی یک مدل دینامیک ECG (EDM) اصلاح شده و یک فرمولاسیون جدید برای پیادهسازی EKF، عملکرد این فیلتر در محیط‌های غیرایستا بهبود داده شده است. در این EDM جدید، مدل اندازه‌گیری طوری اصلاح شده است که علاوه بر نویزهای گوسی، نویزهای غیرایستای غیرگوسی را نیز در نظر بگیرد. همچنین فرمولاسیون پیشنهادی در این مقاله برای الگوریتم EKF، آن را قادر ساخته تا عملکرد بهتری نسبت به EKF استاندارد در حذف نویزهای غیرایستا داشته باشد. فیلتر پیشنهادی مشخصات بالینی سیگنالهای ECG را نیز بهتر از EKF استاندارد حفظ می‌کند. به منظور نمایش اثربخشی الگوریتم EKF پیشنهادی، عملکرد نویززدایی آن روی سیگنالهای مستخرج از پایگاه داده‌ی ریتم سینوس نرمال MIT-BIH (NSRDB) در حضور دو نوع نویز غیرایستای مختلف (نویز صورتی مصنوعی و نویز آرتیفکت ماهیچه‌ی واقعی) ارزیابی شده است. نتایج ارزیابیها نشان داده که از منظر معیارهای بهبود SNR و MSEWPRD، چهارچوب EKF پیشنهادی در این مقاله عملکرد بهتری نسبت به چهارچوب EKF استاندارد در محیط‌های غیرایستا دارد.
