@ARTICLE{Mohammadzadeh Asl, author = {Rahbaripour, Masoud and Mohammadzadeh Asl, Babak and }, title = {Premature Ventricular Contraction Arrhythmia Detection in ECG Signals via Combined Classifiers}, volume = {15}, number = {1}, abstract ={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. }, URL = {http://jsdp.rcisp.ac.ir/article-1-584-fa.html}, eprint = {http://jsdp.rcisp.ac.ir/article-1-584-fa.pdf}, journal = {Signal and Data Processing}, doi = {10.29252/jsdp.15.1.55}, year = {2018} }