دوره 19، شماره 3 - ( 9-1401 )
جلد 19 شماره 3 صفحات 86-65 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Azimi Far M, Nejatian S, Parvin H, Bagheri Fard K, Rezaei V. Predicting cardiac arrhythmia on ECG signal using an ensemble of optimal multicore support vector machines. JSDP 2022; 19 (3) : 5
URL: http://jsdp.rcisp.ac.ir/article-1-1128-fa.html
URL: http://jsdp.rcisp.ac.ir/article-1-1128-fa.html
عظیمی فر مریم، نجاتیان صمد، پروین حمید، باقری فرد کرم الله، رضایی وحیده. پیش‌بینی آریتمی قلبی در سیگنال ECG با به‌کارگیری مجمعی از ماشین‌های بردار پشتیبان چندهستهای بهینه. پردازش علائم و داده‌ها. 1401; 19 (3) :65-86
دانشکده مهندسی برق، واحد یاسوج، دانشگاه آزاد اسلامی، کهگیلویه و بویراحمد، ایران
چکیده: (826 مشاهده)
استفاده از هوش مصنوعی در فرآیند تشخیص بیماری‌های قلبی سال‌ها مورد توجه پژوهش‌گران قرار گرفته است. در این مقاله، روشی کارآمد جهت گزینش ویژگی‌های مناسب استخراج‌شده از سیگنال‌های الکترکاردیوگرام (ECG)، بر پایه الگوریتم ژنتیک برای استفاده در یک اجماعی از طبقهبندهای ماشین بردار پشتیبان (SVM) چندهستهای که هر کدام از این طبقه‌بندها به‌وسیله یک الگوریتم ژنتیک بهینه شده‌اند، پیشنهاد شده است. پیشتر نشان داده شده که به‌علت خاصیت‌هایش (نگاشت فضای ویژگی و حداکثرسازی مرز تصمیم) طبقه‌بند ماشین بردار پشتیبان یکی از روش‌های طبقه‌بندی است که مناسب هر نوع محیطی محسوب می‌شود. این مقاله از تعدادی طبقه‌بند ماشین بردار پشتیبان چندهستهای به‌عنوان یک طبقه‌بند ترکیبی بهره می‌گیرد. تنوع اجماع به‌وسیله آموزش هر طبقه‌بند ماشین بردار پشتیبان چندهستهای بر روی یک زیرفضا (یعنی زیرمجموعه‌ای از ویژگی‌ها) ایجاد می‌شود. در این روش برای ترکیب خروجی طبقه‌بندها از روش رأی اکثریت استفاده شده است. از طرفی در طبقه‌بندی سیگنال‌های ECG به‌طور معمول از سیگنال‌ها به‌عنوان ویژگی‌های آن استفاده می‌شود؛ در نتیجه از آنجایی که روش‌های طبقه‌بندی سیگنال‌ها با تعداد زیادی ویژگی مواجه هستند و حذف‌نکردن این ویژگی‌ها مشکل ابعاد بالا را ایجاد می‌کند و همچنین بار محاسباتی را برای کاربرد مورد نظر بالا می‌برد، گام انتخاب ویژگی اجتناب‌ناپذیر است. ویژگی‌های استخراج شده شامل ویژگی‌های زمانی، AR[1] و ضرایب موجک است که تعداد این ویژگی‌ها با استفاده از الگوریتم ژنتیک بهینه خواهد شد. ارزیابی این مجموعه از ویژگی‌های ا‌نتخاب‌شده به‌وسیله الگوریتم ژنتیک با اعمال به یک SVM چندهستهای بررسی می‌شود. از الگوریتم ژنتیک جهت بهینه‌سازی پارامترهای هر کدام از SVM-ها استفاده می‌شود. به‌کمک شبیه‌سازی رایانه‌ای، صحت کلی سامانه برای شناسایی شش نوع ریتم قلبی %15/99 به‌دست آمده است که در مقایسه دقت حاصل‌شده با پژوهش‌های پیشین، کارایی مطلوب روش پیشنهادی را نشان می‌دهد.
[1] Autoregressive
شماره‌ی مقاله: 5
واژه‌های کلیدی: سیگنال ECG، انتخاب ویژگی، ماشین بردار پشتیبان چندهستهای، اجماع طبقه‌بندی، الگوریتم ژنتیک
نوع مطالعه: پژوهشي |
موضوع مقاله:
مقالات گروه علائم حیاتی ( مرتبط با مهندسی پزشکی)
دریافت: 1399/1/9 | پذیرش: 1400/9/20 | انتشار: 1401/10/4 | انتشار الکترونیک: 1401/10/4
دریافت: 1399/1/9 | پذیرش: 1400/9/20 | انتشار: 1401/10/4 | انتشار الکترونیک: 1401/10/4
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
