نوع مقاله : مقاله کامل پژوهشی

نویسندگان

• حمید شفاعت فر ¹
• مهدی تقی زاده ²
• مرتضی ولی زاده ³
• محمد حسین فاتحی ⁴

¹ دانشکده برق و کامپیوتر، واحد کازرون، دانشگاه آزاد اسلامی، کازرون، ایران

² هیات علمی دانشکده برق و کامپیوتر، دانشگاه آزاد اسلامی، واحد کازرون

³ دانشکده برق و کامپیوتر، دانشگاه ارومیه، ارومیه، ایران

⁴ دانشگاه ازاد اسلامی واحد کازرون بخش برق، کازرون – شیراز - ایران

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 طبقه بندی صحیح کلاس‌های آریتمی، استخراج ویژگی‌های مناسب جهت ایجاد تمایز بین کلاس‌های مختلف، اهمیت زیادی دارد. در این مقاله، از یک شبکه عصبی کانولوشنی عمیق برای استخراج ویژگی استفاده می‌شود. با توجه به اینکه ضربان‌های قلبی بیماران مختلف دارای تفاوت زیادی هستند، کلاس‌های آریتمی دارای تغییرات درون کلاسی زیادی خواهند بود. برای کاهش تغییرات درون کلاسی، ضربان‌های قلبی هر بیمار با یک تابع اختصاصی به نحوی نگاشت داده می‌شود که شباهت آن به ضربان‌های قلبی یکی از بیماران آموزشی افزایش یابد. نگاشت اختصاصی پیشنهادی سبب کاهش تغییرات درون کلاسی می‌شود و دقت طبقه بندی آریتمی‌های قلبی را به میزان قابل ملاحظه‌ای افزایش می‌دهد. برای اثبات کارایی روش پیشنهادی، نتایج آن با چندین تحقیق جدید بر اساس سه معیار ارزیابی دقت، حساسیت و اختصاصیت و بر روی مجموعه داده یکسان مقایسه شد. دقت بدست آمده حدود 24/96 درصد بوده که کارایی بهتر روش پیشنهادی را در مقایسه با سایر کارها، نشان می‌دهد

کلیدواژه‌ها

• آریتمی قلبی
• طبقه بندی
• استخراج ویژگی
• نگاشت فضای ویژگی

موضوعات

• پردازش سیگنال‌های حیاتی

عنوان مقاله [English]

Arrhythmia Classification Improvement by Individually Mapping the Feature Space of each patient

نویسندگان [English]

• Hamid Shafaatfar ¹
• Mehdi Taghizadeh ²
• Morteza Valizadeh ³
• mohamad hosein fatehi ⁴

¹ Department of Electrical Engineering, Kazerun Branch, Islamic Azad University, Kazerun, Iran

² Department of Electrical and computer engineering, kazerun branch, Islamic Azad University

³ Department of Electrical Engineering, Urima University, Urima, Iran

⁴ Department of Electrical Engineering, Kazerun Branch, Islamic Azad University, Kazerun , Iran

چکیده [English]

Automatic detection of cardiac arrhythmias is very important for the successful treatment of heart disease and machine learning is used for this purpose. To correctly classify arrhythmic classes, it is important to extract the appropriate features to distinguish between different classes. In this paper, a deep convolutional neural network is used to extract the feature. Due to the fact that the heart rates of different patients are very different, arrhythmia classes will have many intra-class changes. To reduce intra-class changes, each patient's heart rate is mapped with a dedicated function to increase its resemblance to the heart rate of one of the training patient data’s. The proposed specific mapping reduces intra-class changes and significantly increases the classification accuracy of cardiac arrhythmias. To prove the effectiveness of the proposed method, its results were compared with several new studies based on three criteria for accuracy, sensitivity and specificity and on the same data set. The accuracy obtained is about 96.24%, which shows the better performance of the proposed method compared to other works.

کلیدواژه‌ها [English]

• Cardiac Arrhythmia
• Classification
• Feature Extraction
• Feature Space Mapping