پردازش سیگنالهای حیاتی
حمید شفاعتفر؛ مهدی تقیزاده؛ مرتضی ولیزاده؛ محمدحسین فاتحی
دوره 16، شماره 2 ، شهریور 1401، ، صفحه 147-158
چکیده
تشخیص خودکار آریتمیهای قلبی برای درمان موفق بیماریهای قلبی از اهمیت زیادی برخوردار است و یادگیری ماشین برای این منظور مورد استفاده قرار میگیرد. برای طبقهبندی صحیح کلاسهای آریتمی، استخراج ویژگیهای مناسب جهت ایجاد تمایز بین کلاسهای مختلف، اهمیت زیادی دارد. در این مقاله از یک شبکهی عصبی پیچشی عمیق برای استخراج ویژگی ...
بیشتر
تشخیص خودکار آریتمیهای قلبی برای درمان موفق بیماریهای قلبی از اهمیت زیادی برخوردار است و یادگیری ماشین برای این منظور مورد استفاده قرار میگیرد. برای طبقهبندی صحیح کلاسهای آریتمی، استخراج ویژگیهای مناسب جهت ایجاد تمایز بین کلاسهای مختلف، اهمیت زیادی دارد. در این مقاله از یک شبکهی عصبی پیچشی عمیق برای استخراج ویژگی استفاده شده است. با توجه به این که ضربانهای قلبی بیماران مختلف دارای تفاوت زیادی هستند، کلاسهای آریتمی دارای تغییرات درونکلاسی زیادی خواهند بود. برای کاهش تغییرات درونکلاسی، ضربانهای قلبی هر بیمار با یک تابع اختصاصی به نحوی نگاشت داده شده است که شباهت آن به ضربانهای قلبی یکی از بیماران آموزشی افزایش یابد. نگاشت اختصاصی پیشنهادی سبب کاهش تغییرات درونکلاسی شده و دقت طبقهبندی آریتمیهای قلبی را به میزان قابل ملاحظهای افزایش داده است. برای اثبات کارایی روش پیشنهادی، نتایج آن با چندین تحقیق جدید بر اساس سه معیار ارزیابی دقت، حساسیت و اختصاصیت و روی مجموعهی دادهی یکسان مقایسه شده است. دقت به دست آمده حدود 24/96 درصد بوده که نشان دهندهی کارایی بهتر روش پیشنهادی در مقایسه با سایر کارها است.
پردازش سیگنالهای حیاتی
رضا سلیمانی؛ سید مجتبی روحانی
دوره 5، شماره 2 ، شهریور 1390، ، صفحه 89-103
چکیده
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، ...
بیشتر
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.