این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پردازش علائم و داده ها، جلد ۱۵، شماره ۱، صفحات ۵۵-۷۰
عنوان فارسی تشخیص آریتمی انقباضات زودرس بطنی در سیگنال الکتریکی قلب با استفاده از ترکیب طبقه بندها
چکیده فارسی مقاله یکی از شایع‌ترین آریتمی های قلبی که همواره مورد توجه پزشکان قرار گرفته است آریتمی انقباضات زودرس بطنی می باشد که تشخیص این نوع آریتمی با توجه به فراوانی آن در همه سنین، اهمیت ویژه ای دارد. ثبت سیگنال الکتروکاردیوگرام یک روش متداول و غیر تهاجمی برای بررسی نحوه عملکرد قلب می باشد. توسعه‌ی روش‌های سریع و دقیق طبقه‌بندی خودکار الکتروکاردیوگرام برای تشخیص بالینی بیماری‌های قلبی بسیار ضروری است. هدف این پژوهش نیز، آنالیز سیگنال الکتریکی قلب به منظور طبقه بندی آریتمی انقباضات زودرس بطنی می باشد. هیچ طبقه بندی وجود ندارد که برای تمامی مسائل و در تمامی زمان ها بهترین نتیجه را بدهد و ترکیب طبقه بند ها باعث می شود تا نتایج سیستم ترکیبی در مقایسه با تک تک این تکنیک ها بهبود یابد. در این تحقیق از پایگاه داده‌ی MIT-BIH arrhythmia database  به عنوان منبع داده‌ استفاده شده است. برای تشخیص ضربان­ های زودرس بطنی در بیماران از ویژگی های مورفولوژیکی الکتروکاردیوگرام و ویژگی های بدست آمده از تبدیل موجک استفاده کردیم و پس از استخراج و انتخاب ویژگی ها، برای طبقه بندی ضربان ها از ترکیب متداول­ترین روش­های طبقه بندی یعنی شبکه عصبی مصنوعی، ماشین بردار پشتیبان و روش  Kنزدیکترین همسایه استفاده نمودیم. بهترین نتایج در حالت ترکیب هر 3 طبقه بند و با استفاده از ویژگی های نرمالیزه شده بدست آمد. در این حالت سیستم ترکیبی طراحی شده موفق شد با صحت 2/0±9/98، حساسیت 1/0±0/99 و نرخ اختصاصی بودن 2/0±8/98 درصد ضربان ­های زودرس بطنی را تشخیص دهد. همچنین کارایی روش پیشنهادی در شرایط استفاده از نمونه های آموزشی محدود نشان داده شد. در مجموع، نتایج نشان دهنده موفقیت روش پیشنهادی بخصوص در مقایسه با سایر تحقیقات مرتبط می­باشد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Premature ventricular contraction arrhythmia detection in ECG signals via combined classifiers
چکیده انگلیسی مقاله One of the most common cardiac arrhythmias which has been considered by physicians is premature ventricular contraction (PVC) arrhythmia. Detecting this type of arrhythmia due to its abundance of all ages is particularly important. ECG signal recording is a non-invasive and popular method to assessment of heart's function. Development of quick and accurate automatic ECG classification methods is essential for the clinical diagnosis of heart disease. This research analyzes the ECG signal to detect PVC arrhythmia. There is no classifier that would give the best results for all matters at any time and combining classifiers improve the combined system results in comparison to each of the techniques. In this study the MIT-BIH arrhythmia database is used as the data source. We used morphological features and the features obtained from wavelet transform which then used in a combined classifier which is the combination of most commonly classifiers namely artificial neural network, SVM and KNN for PVC beat classification. The best results were obtained when combining all three classifiers and using normalized features. The designed hybrid system succeeded to detect PVC beats with 98.9±0.2% accuracy, 99.0±0.1% sensitivity and 98.8±0.2% specificity. Also, the efficiency of the proposed method was shown when using limited training samples. The results showed the success of the proposed approach, especially in comparison with other related research studies.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله مسعود رهبری پور | Masoud Rahbaripour
Tarbiat Modares University
دانشگاه تربیت مدرس

بابک محمدزاده اصل | Babak Mohammadzadeh Asl
Tarbiat Modares University
دانشگاه تربیت مدرس

نشانی اینترنتی http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-1133-1&slc_lang=fa&sid=1
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1315/article-1315-643343.pdf
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