این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پردازش علائم و داده ها، جلد ۲۱، شماره ۲، صفحات ۴۳-۵۴
عنوان فارسی طبقه‌بندی فیبریلاسیون دهلیزی با استفاده از الگوریتم PiCA-ESN و تبدیل Stockwell
چکیده فارسی مقاله فیبریلاسیون دهلیزی (AF) شایع‌ترین نوع آریتمی قلبی است که با ایجاد بی‌نظمی در ضربان قلب همراه است. مطالعات بالینی نشان می‌دهند که بیماران مبتلا به AF اغلب علائم قابل مشاهده‌ای در طول فیبریلاسیون دهلیزی ندارند، از این رو تشخیص این بیماری برای پزشک مختصص دشوار است. تشخیص خودکار AF با استفاده از سیگنال‌ الکتروکاردیوگرام (سیگنال ECG) می‌تواند به پزشک معالج در تشخیص کمک بسزایی نماید و خطر ابتلا به بیمارهای حاد قلبی و سکته مغزی را کاهش دهد. در این مقاله، یک رویکرد جدید به منظور استخراج سیگنال‌ فیبریلاتور دهلیزی(موج f) از سیگنال‌ ECG با استفاده از الگوریتم PiCA-ESN و آنالیز زمان- فرکانس آن توسط تبدیل Stockwell برای طبقه‌بندی AF پایان‌یافته و پایان‌نیافته پیشنهاد شده‌ است. ابتدا سیگنال‌ فیبریلاتور دهلیزی (موج f) از سیگنال ECG استخراج شده و پس از آن تصویر زمان-فرکانس موج f با استفاده از تبدیل Stockwell به‌دست می‌آید، در ادامه دامنه تصویر زمان-فرکانس Stockwell توسط ویژگی‌های مختلف بازتوصیف و به ترکیب ۳ طبقه‌بند اعمال می‌شود.  به‌علاوه در این مطالعه آزمایش جدیدی به منظور بررسی پایداری ویژگی‌ها در طول سیگنال پیشنهاد شده‌است. این مطالعه بر روی پایگاه ‌داده فیزیونت پیاده‌‌سازی شده‌ و  نتایج به‌دست‌آمده نشان می‌دهند که روش پیشنهادی عملکرد بهتری در مقایسه با روش‌های برگزیده چالش فیزیونت با دستیابی به دقت ۱۰۰٪ دارد.



 
کلیدواژه‌های فارسی مقاله سیگنال الکتروکاردیوگرام (ECG) ،فیبریلاسیون دهلیزی (AF) ، موج f ، الگوریتم PiCA-ESN ، تبدیل Stockwell(تبدیل S).
عنوان انگلیسی Atrial Fibrillation Classification Using PiCA-ESN Algorithm and Stockwell Transform
چکیده انگلیسی مقاله Background: Atrial fibrillation (AF) represents a prevalent cardiac arrhythmia characterized by irregular heartbeats and often lacks noticeable symptoms in patients. Diagnosing AF poses a challenge for cardiologists, necessitating advanced methods for accurate identification using electrocardiogram (ECG) signals. Automated AF diagnosis can significantly aid cardiologists in prompt identification, potentially reducing the risks associated with acute heart disease and stroke.

Objective: This study aims to extract the f-wave from the ECG signal and scrutinize its time-frequency behavior using the Stockwell transform. It proposes a novel approach employing PiCA-ESN algorithm for f-wave extraction and time-frequency analysis of the f-wave for discriminating between terminated and non-terminated AF states.

Approach: The PiCA-ESN algorithm facilitated the extraction of the f-wave from the ECG signal. Subsequently, the Stockwell transform computed the time-frequency maps of the extracted f-wave. Various features were derived from the amplitude of the Stockwell transform and utilized in conjunction with three classifiers: MLP, SVM, and AdaBoost.

Main results: The findings reveal that the proposed method outperforms selected Physionet challenge 2004 methodologies, achieving an impressive 100% accuracy. Additionally, an experiment was conducted to assess the robustness of the proposed features across consecutive signal segments, validating their stability during signal analysis.
کلیدواژه‌های انگلیسی مقاله Electroencephalogram (ECG), Atrial fibrilation (AF), f-wave, PiCA-ESN algorithm, Stockwell transform (S transform).
نویسندگان مقاله سارا میهن دوست | sara mihandoost
Urmia University of Technology
، دانشگاه صنعتی ارومیه،

نشانی اینترنتی http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-2431-1&slc_lang=fa&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده مقالات گروه علائم حیاتی ( مرتبط با مهندسی پزشکی)
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات