دوره 14، شماره 2 - ( 6-1396 )
جلد 14 شماره 2 صفحات 42-25 |
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:
Ghasemi J, Kord S, Gholami M. Classification of Cardiac Arrhythmias based on combination of the results of Neural Networks using Dempster-Shefer Evidence Theory. JSDP 2017; 14 (2) :25-42
URL: http://jsdp.rcisp.ac.ir/article-1-468-fa.html
URL: http://jsdp.rcisp.ac.ir/article-1-468-fa.html
قاسمی جمال، کرد سمیه، غلامی محمد. طبقه‌بندی آریتمی‌های قلبی مبتنی بر ترکیب نتایج شبکه‌های عصبی با نظریه شواهد دمپستر- شفر. پردازش علائم و داده‌ها. 1396; 14 (2) :25-42
جمال قاسمی* 
، سمیه کرد ، محمد غلامی
، سمیه کرد ، محمد غلامی
دانشگاه مازندران
چکیده: (6952 مشاهده)
آریتمی‌های قلبی یکی از شایع‌ترین بیماری‌های قلبی است که ممکن است سبب مرگ بیمار شود. از‌این‌رو شناسایی آریتمی‌های قلبی بسیار مهم است. در این مقاله برای دسته‌بندی آریتمی‌های قلبی در سه طبقه PAC، PVC و Normal روشی مبنی بر ترکیب طبقه‌بندی‌کننده‌ها با استفاده از نظریه شواهد لحاظ شده است. بدین شکل که ابتدا پیک‌های R در ECG شناسایی شد؛ سپس ویژگی‌های خطی ECG شامل RMSSD، SDNN و HR Mean و همچنین ویژگی غیر خطی آن با استفاده از SVD به‌دست آمد. ترکیب ویژگی‌های به‌دست‌آمده به شبکه‌های عصبی MLP، Cascade Feed Forward و RBF داده شد. اصل عدم قطعیت در مورد پاسخ آن‌ها بررسی و در‌نهایت پاسخ این طبقه‌بندی‌کننده‌ها با استفاده از نظریه شواهد با یکدیگر ترکیب شدند. جهت پردازش ECG نیاز به حذف نوفه نبوده و روش پیشنهادی توانسته است در حضور نوفه، نوع آریتمی قلبی را در بهترین حالت با حساسیت 98 % تشخیص دهد.
نوع مطالعه: پژوهشي |
موضوع مقاله:
مقالات گروه علائم حیاتی ( مرتبط با مهندسی پزشکی)
دریافت: 1394/9/14 | پذیرش: 1395/8/8 | انتشار: 1396/7/29 | انتشار الکترونیک: 1396/7/29
دریافت: 1394/9/14 | پذیرش: 1395/8/8 | انتشار: 1396/7/29 | انتشار الکترونیک: 1396/7/29
فهرست منابع
1. [1] م. ستارپور، ب. محمدزاده اصل،" تشخیص و تخمین تغییرات موج T با استفاده از تحلیل چند لیدی سیگنال ECG "، پردازش علائم و داده ها، 12(3) ، 69-80، 1394.
2. [2] م. شریف نوقابی، ح. مروی، د. دارابیان،" تشخیص لهجه های گفتار زبان فارسی از روی سیگنال گفتار با استفاده از روش های استخراج ویژگی کارآمد و ترکیب طبقه بندها "، پردازش علائم و داده ها، 13(2) ، 91-103، 1395.
3. [3] م. ا. یونسی هروی، م. ع. خلیل زاده، ر. صرافان، م. آذرنوش،" تشخیص دروغ بر مبنای سیگنال های فوتوپلتیسموگراف و مقاومت الکتریکی پوست با استفاده از شبکه ی عصبی"، پردازش علائم و داده ها، 9(2) ، 49-60، 1391.
4. [4] ج. قاسمی ،"رساله دکترا قطعه بندی فازی ام آر آی مغز مبتنی بر نظریه شواهد"، دانشگاه مازندران، 1391.
5. [5] س. کرد، ج. قاسمی،" کلاسه بندی آریتمی‌های قلبی با ترکیب ویژگی‌های خطی و غیر خطی سیگنال الکتروکاردیوگرام با استفاده از شبکه عصبی احتمالی"، دومین همایش ملی مهندسی برق ایران دانشگاه آزاد اسلامی‌واحد بندرگز،1393.
6. [1] M. Satarpor, B. Mohammadzadeh Asl, "Recognition and estimation of T wave variation using ECG signal multitrack analysis ", JSDP, vol. 12(3), 69-80, 2015.
7. [2] M. Sharif Noughabi, H. Marvi, D. Darabian, " Farsi Accent Recognition based on speech signal using efficient features extraction and Combining of Classifiers, JSDP", vol. 13(2), 91-103, 2016.
8. [3] M. A. Khalilzadeh, R. Sarafan, M. Azarnoosh, "Lie detector system based on PhotoPlethysmoGraph(PPG) and Galvanic Skin Response(GSR) signals by means of neural network", JSDP, vol. 9(2), 49-60, 2013.
9. [4] J. Ghasemi, "Thesis segmentation of MRI brain fuzzy theory based on evidence", Mazandaran University, 2012.
10. [5]S. Kord, J. Ghasemi, "Classifieds cardiac arrhythmias with a combination of linear and nonlinear characteristics of ECG signal using probabilistic neural network",Second National Conference on Electrical Engineering Iran Islamic Azad University Gaz, 2014.
11. [6] M. Ankita, A. Meena, "Detection of Cardiac Arrhythmias Using Different Neural Networks: A Review", International Journal of Advanced Research in Computer and Communication Engineering, Vol. 3, pp. 6992-6995, 2014.
12. [7] P. Auer, B. Harald and M. Wolfgang, "A learning rule for very simple universal approximators consisting of a single layer of perceptrons", Neural Networks, vol. 5, pp.786-795, 2008. [DOI:10.1016/j.neunet.2007.12.036] [PMID]
13. [8] E. Braunwald, "Heart Disease: A Textbook of Cardiovascular Medicine", Fifth Edition, Philadelphia, W.B. Saunders Co, pp. 108, 1997.
14. [9] A. P. Dempster, "Upper and lower probabilities induced by a ultivalued mapping", The Annals of Statistics, vol. 28, pp. 325-339, 1967. [DOI:10.1214/aoms/1177698950]
15. [10] H. Demuth, M. Beale, M. Hagan, "Neural Network Toolbox Users Guide", the Math Works, Inc, Natrick, USA, 2009.
16. [11] A. Ebrahimzadeh, A. Khazaee, "Detection of premature ventricular contractions using MLP neural network: A comparative study", Elsevier, measurement, vol. 43, pp. 103-112, 2010.
17. [12] H. Gothwal, S. Kedawat, R. Kumar, "Cardiac arrhythmias detection in an ECG beat signal using fast fourier transform and artificial neural network", Journal of Biomedical Science & Engineering, vol. 4, pp. 289-296, 2011. [DOI:10.4236/jbise.2011.44039]
18. [13] J. Y. Halpern, R. Fagin, "Two views of belief: belief as generalized probability and belief as evidence", Artificial Intelligence, vol. 54, pp. 275-317, 1992. [DOI:10.1016/0004-3702(92)90048-3]
19. [14] P. S. Hamilton, W. J. Tompkins, Quantitative Investigation of QRS Detection Rules Using the MIT/BIH Arrhytmia Database", IEEE Trans. On Biomed. Eng, vol. 33, pp. 1157-1167, 1986. [DOI:10.1109/TBME.1986.325695] [PMID]
20. [15] J. C. Helton, "Uncertainty and sensitivity analysis in the presence of stochastic and subjective uncertainty", Journal of Statistical Computation and Simulation, vol. 57, pp. 3- 76, 1997. [DOI:10.1080/00949659708811803]
21. [16] YZ. Hu, S. Palreddy, WJ. Tompkins, "A patient-adaptable ECG beat classifier using a mixture of experts approach", IEEE Trans Biomed Eng, Vol. 44, pp. 891-900, 1997. [DOI:10.1109/10.623058] [PMID]
22. [17] N. P. Hughes, L. T. Arassenko and S. J. Roberts, "Markov Models for Automated ECG Interval Analysis", oxford, 2004.
23. [18]L. Y. Jen, "Explaining critical clearing time with the rules extracted from a multilayer perceptron artificial neural network", Electr Power Energy Syst, vol. 33, pp. 873-878, 2010.
24. [19] L. Ju-Won, L. Gun-Ki, "Design of an Adaptive Filter with a Dynamic Structure for ECG Signal Processing", International Journal of Control, Automation, and Systems, Vol. 3, No. 1, pp. 137-142, 2005.
25. [20] M. Kania, M. Fereniec, R. Maniewski, "Wavelet Denoising for Multi-lead High Resolution ECG Signals", Measurement Science Review, Vol. 7, No. 2, pp. 30-33, 2007.
26. [21 ]S. Krimi, K. Ouni, N. Ellouze, "Using Hidden Markov Models for ECG Characterisation", InTech, ISBN: 978-953-307-208-1, 2011.
27. [22]V. S. Kumari, P. R. kumar, "Cardiac arrhythmia prediction using improved multilayer perceptron neural network", International Journal of Electronics, Communication & Instrumentation Engineering esearch and Development (IJECIERD), vol. 3, pp. 73-80, 2013.
28. [23] L. kuncheva, "Combining Pattern Classifiers: Methods and Algorithms", Hoboken, NJ, 2004.
29. [24] Y. Kutlu, K. Damla, "Feature Reduction Method Using Self Organizing Maps", International Conference on Electrical and Electronics Engineering, pp. 129-132, 2009.
30. [25] Sh. Lihuang, S. Yuning, Z. Shi and X. Zhongqiang, "A Precise Ambulatory ECG Arrhythmia Intelligent Analysis Algorithm Based On Support Vector Machine Classifiers", Proceedings of the 3rd International Conference on Biomedical Engineering and Informatics, 2010.
31. [26] R. G. Mark, G. B. Moody, "MIT/BIH Arrhythmia Database", 1991, Available from: http://www.ecg.mit.edu/dbinfo.html
32. [27] R. G. Mark, G. B. Moody, "The impact of the MIT/BIH Arrhythmia Database", IEEE Eng. Med. Biol, vol. 20, pp. 45-50, 1991.
33. [28] R. J. Martis, U. R. Achary, C. M. Lim, K.M. Mandana, A.K. Ray, C. Chakraborty, "Application of high order cumulant features for cardiac health diagnosis using ECG signals", International Journal of Neural Systems, vol. 23, pp. 1142- 1155, 2013a. [DOI:10.1142/S0129065713500147] [PMID]
34. [29] R. J. Martis, U. R. Achary, K.M. Mandana, A.K. Ray, C. Chakraborty, "Application of principal component analysis to ECG signals for automated diagnosis of cardiac health", Expert Systems with Applications, Vol. 39, pp. 11792–11800, 2012. [DOI:10.1016/j.eswa.2012.04.072]
35. [30] R. J. Martis, U. R. Achary, K.M. Mandana, A.K. Ray, C. Chakraborty, "Cardiac decision making using higher order spectra", Biomedical Signal Processing and Control, vol 8, 193-203, 2013b. [DOI:10.1016/j.bspc.2012.08.004]
36. [31] S. S. Mehta,N. S. Lingayat, "Support Vector Machine for Cardiac Beat Detection in Single Lead Electrocardiogram", IAENG in IAENG International Journal of Applied Mathematics, vol. 36, pp. 20-26, 2011.
37. [32] G. Nazari Golpayegani, A. H. Jafari, "A novel approach in ECG beat recognition using adaptive neural fuzzy filter", J. Biomedical Science and Engineering, vol. 2, pp. 80-85, 2009. [DOI:10.4236/jbise.2009.22015]
38. [33] J. Pan, W. J. Tompkins, "A real-Time QRS Detection Algoritm", IEEE Trans. On Biomed. Eng, Vol. 3, pp. 230-236, 1985. [DOI:10.1109/TBME.1985.325532] [PMID]
39. [34] Romero, L. Serrano, "ECG frequency domain features extraction: A new characteristics for arrhythmias classification", Engineering in Medicine and Biology Society, Proceedings of the 23rd Annual International Conference of the IEEE, vol. 2. pp. 2006-2008, 2001.
40. [35] M. B. Roman, Z. S. Ravilya, I. L. Ekaterina, "Comparison of linear and nonlinear calibration models based on near infrared (NIR) spectroscopy data for gasoline properties prediction", Chemometr Intell Lab, vol. 2, pp. 183-188, 2007.
41. [36] M. Roshan Joy, U. Rajendra Acharya, M. Lim Choo, "ECG beat classification using PCA, LDA, ICA and Discrete Wavelet Transform", Biomedical Signal Processing and Control, BSPC-375, 2013.
42. [37] S. Safdar, S. Ahmad Khan, F. Arif, "Report Generation on ECGs Survey Data Analysis Using Threshold Based Inference Engine", International Journal of Information and Education Technology, Vol. 2, No. 3, pp 265-269, 2012. [DOI:10.7763/IJIET.2012.V2.126]
43. [38] G. Shafer, "A mathematical theory of evidence", London, Princeton University Press, 1976. [PMCID]
44. [39] Z. S. Wang, J. D. Z. Chen, "Robust ECG R-R Wave Detection Using Evolutionary Programming Base Fuzzy Inference System (EPFIS) and Application to Accessing Brain Gut", Interaction Science Measurement and Technology, IEE Proccedings, vol. 6, 2000.
45. [40] M. Wozniak, B. Krawczyk, "Combined classifier based on feature space partitioning", International. Journal of Applied Mathematics and Computer Science, vol 22, pp. 855–866, 2012. [DOI:10.2478/v10006-012-0063-0]
46. [41] Y. C. Yeh, C. W. Chiou and H. J. Lin, "Analyzing ECG for cardiac Arrhythmia using cluster analysis", Expert System with Application, vol. 39, pp. 1000- 1010, 2012. [DOI:10.1016/j.eswa.2011.07.101]
47. [42] Y. C. Yeh, W. J. Wang and C. W. Chiou, "Heartbeat case determination using fuzzy logic method on ECG signals", International Journal of Fuzzy Systems, vol 11, 250-261, 2009.
48. [43] M. N. Zade, P. M. Palkar, P. N. Aerkewar, A. S. Pathan, "Detection of ECG Signal: A Survey", International Journal of Artificial Intelligence and Mechatronics, Vol. 1, Issue 5, pp. 126-130, 2013.
49. [44] L. A. Zadeh, "Fuzzy sets", IEEE Information Control, vol. IC-8, pp. 338–353, 1965. [DOI:10.1016/S0019-9958(65)90241-X]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
