پروژه طبقه‌بندی آریتمی های PJC، PVC، PAC نوار الکتروکاردیوگراف در MIT-BIH Arrhythmia Database

پروژه طبقه‌بندی آریتمی های PJC، PVC، PAC نوار الکتروکاردیوگراف در MIT-BIH Arrhythmia Database

طبقه‌بندی آریتمی های PJC، PVC، PAC نوار الکتروکاردیوگراف در MIT-BIH Arrhythmia Database

چکیده : 

یکی از شایعترین علل مرگ در دهه های اخیر بیماریهای قلبی است. به طور معمول، ایست قلب تحت تاثیر یک شرایط خاص ایجاد نمی شود. بنابراین، قابلیت تشخیص و درمان آن کاهش می یابد. تپش های نامنظم قلبی، عواملی هستند که می توان با مطالعه آنها، به شناسایی بیماری های قلبی و کاهش خطرات ابتلا به حملات قلبی پرداخت. در این مقاله روشهای مختلفی برای طبقه بندی آریتمی ها مورد بررسی قرار گرفته شد. این روشها شامل تجزیه و تحلیل در حوزه زمان، فرکانس و ویژگی های زمان فرکانس است. جهت آموزش سیستم های شناسایی از پایگاه داده آریتمی MIT-BIH به کمک روش های مختلف استفاده شد. دلیل استفاده از این پایگاه داده اعتبار بالا و برچسب گذاری های مختلف این پایگاه داده است. در میان این روش ها، اساسی ترین روش، روش زمانی است که در آن فاصله بین دو کمپلکس QRS، استخراج شده است. جهت شناسایی الگوی بیماری ها از شبکه عصبی پرسپترون دو لایه، استفاده شد. در انتها به کمک ترکیب روش های زمانی، فرکانس و زمان-فرکانس به دقت بیش از 92.5٪ در بین پنج مقدار بیشینه دقت دست یافتیم.

کلید واژه ها: آریتمی قلب، طبقه بندی، ECG


 


الف

ب

شکل ‏4-16 ساختار شبکه عصبی 90 نرون میانی با 25 ویژگی زمانی به همراه نتایج (الف)، ماتریس درهم‌ریختگی به ازای یک نرون (ب)



شکل ‏4-17 نتیجه طبقه‌بندی به کمک 1 الی 90 نرون میانی با 25 ویژگی زمانی





شکل ‏4-40 ماتریس درهم‌ریختگی به ازای 90 نرون و سه نوع ویژگی

با انجام این شبیه‌سازی به‌دقت 90 درصد دست‌یافتیم




شکل ‏4-39 نتیجه طبقه‌بندی به کمک 7 روش انتخاب ویژگی و تعداد نرون 1 الی 90 در اجرای دوم



  1. نتیجه‌گیری

در این پروژه روش جدیدی برای تشخیص و طبقه‌بندی آریتمی‌های قلبی، با استفاده از تکنیک‌های پردازش سیگنال و شبکه‌های عصبی ارائه شد. ابتدا در مرحله پیش‌پردازش، به کمک تبدیل ویولت و فیلتر Moving Average، نویزهای موجود در سیگنال حذف شد. سپس در مرحله پردازش، با اعمال ویولت Daubechies، سیگنال موردنظر به هشت سطح تجزیه گردید و ویژگی‌های موردنظر استخراج شد. ترکیب این ویژگی‌ها با ویژگی‌های حوزه زمان و فرکانس، ویژگی‌های مناسبی را به ما داد. درنهایت پس از نرمالیزه کردن ویژگی‌های به‌دست‌آمده، از آن‌ها به‌عنوان ورودی سیستم طبقه‌بندی کننده استفاده شد. سیستم طبقه‌بندی کننده‌ای که در این تحقیق مورداستفاده قرار گرفت، یک شبکهعصبی پرسپترون چندلایه بود. استخراج ویژگی‌های مؤثر و استفاده از آن‌ها به‌عنوان ورودی‌های شبکه عصبی، موجب شد که زمان آموزش و همچنین زمان موردنیاز جهت تشخیص نوع کلاس مربوط به ورودی تست، کاهش قابل‌ملاحظه‌ای پیدا کند. نکته قابل‌توجه در این تحقیق استفاده از 365 نمونه در قالب 142 فایل از پایگاه داده موردنظر است. درصورتی‌که بسیاری از محققین، از تعداد فایل کمتری استفاده کرده‌اند. همچنین استفاده از تعداد 4 کلاس طبقه‌بندی در این تحقیق نسبت به تحقیقات گذشته، برتری روش مطرح‌شده در این پروژه را نشان می‌دهد. نتایج شبیه‌سازی گویای آن است که سیستم پیشنهادی، کارایی مناسبی در تفکیک آریتمی‌های قلبی داشته و از دقت نسبتاً بالایی نیز (5/92%) برخوردار است.



Search projects

Recent Posts