دوره 15، شماره 1 - ( 3-1397 )                   جلد 15 شماره 1 صفحات 55-70 | برگشت به فهرست نسخه ها


XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Rahbaripour M, Mohammadzadeh Asl B. Premature Ventricular Contraction Arrhythmia Detection in ECG Signals via Combined Classifiers. JSDP. 2018; 15 (1) :55-70
URL: http://jsdp.rcisp.ac.ir/article-1-584-fa.html
رهبری پور مسعود، محمدزاده اصل بابک. تشخیص آریتمی انقباضات زودرس بطنی در سیگنال الکتریکی قلب با استفاده ازترکیب طبقه‌بندها . پردازش علائم و داده‌ها. 1397; 15 (1) :55-70

URL: http://jsdp.rcisp.ac.ir/article-1-584-fa.html


دانشگاه تربیت مدرس
چکیده:   (621 مشاهده)

یکی از شایع‌ترین آریتمی­‌های قلبی که همواره مورد توجه پزشکان قرار گرفته‌است، آریتمی انقباضات زودرس بطنی‌ست که تشخیص آن با توجه به فراوانی‌اش در همه سنین، اهمیت ویژه­ای دارد. ثبت سیگنال الکتروکاردیوگرام یک روش متداول و غیر­تهاجمی برای بررسی نحوه عملکرد قلب است. توسعه روش‌های سریع و دقیق طبقه‌بندی خودکار الکتروکاردیوگرام برای تشخیص بالینی بیماری‌های قلبی بسیار ضروری است. هدف این پژوهش نیز، تحلیل سیگنال الکتریکی قلب به منظور طبقه‌­بندی آریتمی انقباضات زودرس بطنی‌ست. هیچ طبقه­‌بندی وجود ندارد که برای تمامی مسائل و در تمامی زمان­‌ها بهترین نتیجه را بدهد بنابراین؛ ترکیب طبقه‌­بند­ها باعث می­‌شود تا نتایج سامانه ترکیبی در مقایسه با تک‌تک این تکنیک­‌ها بهبود یابد. در این پژوهش از پایگاه داده MIT-BIH arrhythmia database به‌عنوان منبع داده‌ استفاده شده‌است. در این پژوهش برای تشخیص ضربان­­‌های زودرس بطنی در بیماران از ویژگی­‌های مورفولوژیکی الکتروکاردیوگرام و ویژگی­‌های به‌دست‌آمده از تبدیل موجک استفاده شده‌است و پس از استخراج و انتخاب ویژگی‌ها، برای طبقه‌­بندی ضربان‌­هااز ترکیب متداول­‌ترین روش‌­های طبقه‌­بندی، یعنی شبکه عصبی مصنوعی، ماشین بردار پشتیبان و روش  Kنزدیک‌ترین همسایه استفاده شده‌است. بهترین نتایج، در حالت ترکیب هر 3 طبقه‌بند و با استفاده از ویژگی­‌های هنجارسازی‌شده به‌ دست آمد. در این حالت سامانه ترکیبی طراحی‌شده موفق شد با صحت 2/0±9/98، حساسیت 1/0±0/99 و نرخ اختصاصی‌بودن 2/0±8/98 درصد ضربان­های زودرس بطنی را تشخیص دهد. همچنین، کارایی روش پیشنهادی در شرایط استفاده از نمونه­‌های آموزشی محدود نشان داده‌شد. در مجموع، نتایج نشان‌دهنده موفقیت روش پیشنهادی به‌ویژه در مقایسه با سایر پژوهش‌ها مرتبط است.
 

متن کامل [PDF 5338 kb]   (247 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: مقالات گروه علائم حیاتی ( مرتبط با مهندسی پزشکی)
دریافت: ۱۳۹۵/۶/۳۱ | پذیرش: ۱۳۹۶/۸/۶ | انتشار: ۱۳۹۷/۳/۲۳ | انتشار الکترونیک: ۱۳۹۷/۳/۲۳

فهرست منابع
1. [1] Falik R. "Cardiology Essentials in Clinical Practice", JAMA, Vol. 306, no. 19, pp. 2162-3, Nov. 2011. [DOI:10.1001/jama.2011.1683]
2. [2] Thaler MS. The only EKG book you'll ever need, Lippincott Williams & Wilkins, 2010.
3. [3] Clifford GD, Azuaje F, McSharry P. "Advanced methods and tools for ECG data analysis", Artech House, Inc. Sep. 2006.
4. [4] Sameni R, Shamsollahi MB, Jutten C, Clifford GD. "A nonlinear Bayesian filtering frame-work for ECG denoising", IEEE Trans. Biom-ed. Eng., Vol. 54, no. 12, pp. 2172-85, Dec. 2007. [DOI:10.1109/TBME.2007.897817] [PMID]
5. [5] Sameni R, Shamsollahi MB, Jutten C. "Model-based Bayesian filtering of cardiac contam-inants from biomedical recordings", Physiolo-gical Measurement, Vol. 29, no. 5, pp. 595, May. 2008.
6. [6] McSharry PE, Clifford GD, Tarassenko L, Smith LA. "A dynamical model for generating synthetic electrocardiogram signals", IEEE Trans. Biomed. Eng., Vol. 50, no. 3, pp. 289-94, Mar. 2003. [DOI:10.1109/TBME.2003.808805] [PMID]
7. [7] Clifford GD, Shoeb A, McSharry PE, Janz BA. "Model-based filtering, compression and classification of the ECG", International Journal of Bioelectromagnetism, Vol. 7, no. 1, pp. 158-61, May. 2005.
8. [8] Sayadi O, Sameni R, Shamsollahi MB. "ECG denoising using parameters of ECG dynamical model as the states of an extended Kalman filter". In Engineering in Medicine and Biology Society, 2007. EMBS 2007. 29th Annual International Conference of the IEEE, pp. 2548-2551, IEEE, Aug. 2007. [DOI:10.1109/IEMBS.2007.4352848]
9. [9] Sayadi O, Shamsollahi MB. "ECG denoising and compression using a modified extended Kalman filter structure", IEEE Trans. Biomed. Eng., Vol. 55, no. 9 pp. 2240-8, Sep. 2008. [DOI:10.1109/TBME.2008.921150] [PMID]
10. [10] Sayadi O, Shamsollahi MB. "A model-based Bayesian framework for ECG beat segmenta-tion", Physiological measurement, Vol. 30, no.3, pp. 335, Feb. 2009. [DOI:10.1088/0967-3334/30/3/008] [PMID]
11. [11] Ghorbanian P, Ghaffari A, Jalali A, Nataraj C. "Heart arrhythmia detection using continuous wavelet transform and principal component analysis with neural network classifier", IEEE In Computing in Cardiology, pp. 669-672, Sep. 2010.
12. [12] Inan OT, Giovangrandi L, Kovacs GT. "Robust neural-network-based classification of prema-ture ventricular contractions using wavelet transform and timing interval feature-es", IEEE Trans. Biomed. Eng., Vol. 53, no. 12, pp. 2507-15, Dec. 2006. [DOI:10.1109/TBME.2006.880879] [PMID]
13. [13] Melgani F, Bazi Y. "Classification of electrocardiogram signals with support vector machines and particle swarm optimization", IEEE Trans. Information Technology in Biomedicine, Vol. 12, no. 5, pp. 667-77, Sep. 2008. [DOI:10.1109/TITB.2008.923147] [PMID]
14. [14] Sayadi O, Shamsollahi MB, Clifford GD. "Robust detection of premature ventricular contractions using a wave-based Bayesian framework", IEEE Trans. Biomed. Eng., Vol. 57, no. 2, pp. 353-62, Feb. 2010. [DOI:10.1109/TBME.2009.2031243] [PMID] [PMCID]
15. [15] J. A. Gutiérrez-Gnecchi, R. Morfin-Maga˜na, D. Lorias-Espinoza, A. C. Tellez-Anguiano, E. Reyes-Archundia, A. Méndez-Pati˜no, R. Casta˜neda-Miranda, " DSP-based arrhythmia classification using wavelet transform and probabilistic neural network", Biomedical Signal Processing and Control, vol. 32, pp. 44-56, Feb. 2017. [DOI:10.1016/j.bspc.2016.10.005]
16. [16] Christov I, Bortolan G. "Ranking of pattern recognition parameters for premature ventri-cular contractions classification by neural networks", Physiological Measurem-ent, Vol. 25, no. 5, pp. 1281, Aug. 2004. [DOI:10.1088/0967-3334/25/5/017] [PMID]
17. [17] Bortolan G, Jekova I, Christov I. "Comparison of four methods for premature ventricular contraction and normal beat clustering", In Computers in Cardiology, pp. 921-924, IEEE. Sep. 2005.
18. [18] Ince T, Kiranyaz S, Gabbouj M. "Automated patient-specific classification of premature ventricular contractions", In Engineering in Medicine and Biology Society, 2008. EMBS 2008. 30th Annual International Conference of the IEEE., pp. 5474-5477, Aug. 2008. [DOI:10.1109/IEMBS.2008.4650453]
19. [19] Zhou J. "Automatic detection of premature ventricular contraction using quantum neural networks", In Bioinformatics and Bioen-gineering, 2003. Proc. Third IEEE Sympo-sium, pp. 169-173, Mar. 2003.
20. [20] Osowski S, Linh TH. "ECG beat recognition using fuzzy hybrid neural network", IEEE Trans. Biomed. Eng., Vol. 48, no. 11, pp. 1265-71, Nov. 2001. [DOI:10.1109/10.959322] [PMID]
21. [21] Pasolli E, Melgani F. "Active learning methods for electrocardiographic signal classification", IEEE Trans. Information Technology in Biomedicine, Vol. 14, no. 6, pp.1405-16, Nov. 2010. [DOI:10.1109/TITB.2010.2048922] [PMID]
22. [22] Alajlan N, Bazi Y, Melgani F, Malek S, Bencherif MA. "Detection of premature ventricular contraction arrhythmias in electrocardiogram signals with kernel methods", Signal, Image and Video Processing, Vol. 8, no. 5, pp. 931-42, Jul. 2014. [DOI:10.1007/s11760-012-0339-8]
23. [23] R. Zarei, J. He, G. Huang, Y. Zhang, "Effective and efficient detection of premature ventricular contractions based on variation of principal directions", Digital Signal Proces-sing, vol. 50, pp. 93-102, Mar. 2016. [DOI:10.1016/j.dsp.2015.12.002]
24. [24] I. Kaur, R. Rajni, A. Marwaha, "ECG Signal Analysis and Arrhythmia Detection using Wavelet Transform", J. Inst. Eng. India Ser. B., Vol. 97, no. 4, pp. 499-507, Dec. 2016. [DOI:10.1007/s40031-016-0247-3]
25. [25] The MIT-BIH Arrhythmia Database. (2015, Oct. 8). [Online]. Available: http://physi-onet.org/physiobank/database/mitdb/
26. [26] L. I. Kuncheva, J. C. Bezdek, R. P. W. Duin, "Decision Templates for Multiple Classifier Fusion: An Experimental Comparison," Patt-ern Recognition, vol. 34, no. 2, pp. 299-314, 2001. [DOI:10.1016/S0031-3203(99)00223-X]
27. [27] Huang YS, Suen CY. "The behavior-knowledge space method for combination of multiple classifiers", In IEEE Computer Society Conference on Computer Vision and Pattern Recognition, IEEE, pp. 347-347, Jun. 1993. [DOI:10.1109/CVPR.1993.1626170]
28. [28] M.A. Bagheri, Gh. Montazer, and E. Kabir, "A Subspace Approach to Error- Correcting Output Coding", Pattern Recognition Letters, vol. 34, pp. 176–184, 2013 [DOI:10.1016/j.patrec.2012.09.010]

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA code

ارسال پیام به نویسنده مسئول


کلیه حقوق این وب سایت متعلق به فصل‌نامة علمی - پژوهشی پردازش علائم و داده‌ها می باشد.