Signal and Data Processing

fa پیش‌بینی آریتمی قلبی در سیگنال ECG با به‌کارگیری مجمعی از ماشین‌های بردار پشتیبان چندهسته‌ای بهینه Predicting cardiac arrhythmia on ECG signal using an ensemble of optimal multicore support vector machines مقالات گروه علائم حیاتی ( مرتبط با مهندسی پزشکی) Paper پژوهشي Research <div style="text-align: justify;">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<a href="#_ftn1" name="_ftnref1" title="">[1]</a> 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.</div> <div><div style="text-align: justify;"></div> <hr align="left" size="1" width="33%" > <div id="ftn1" style="text-align: justify;"><a href="#_ftnref1" name="_ftn1" title="">[1]</a> Autoregressive</div> </div> <div style="text-align: justify;"></div> <div style="text-align: justify;">The use of artificial intelligence in the process of diagnosing heart disease has been considered by researchers for many years. In this paper, an efficient method for selecting appropriate features extracted from electrocardiogram (ECG) signals, based on a genetic algorithm for use in an ensemble multi-kernel support vector machine classifiers, each of which is based on an optimized genetic algorithm is proposed. It has already been shown that due to its features (feature space mapping and decision boundary maximization), support vector machine classification is one of the classification methods that are suitable for any type of environment. This paper uses a number of multi-kernel support vector machine classifiers as an ensemble classifier. ensemble diversity is created by teaching each multi-kernel support vector machine classifier on a subspace (ie, a subset of features). In this method, the majority vote method is used to combine the output of the categories. On the other hand, in the classification of ECG signals, signals are usually used as their characteristics; As a result, since the methods of classifying signals are faced with a large number of features, and not removing these features creates a problem of high dimensions and also increases the computational for the intended application, the step of selecting the feature is inevitable. The extracted features include temporal properties, AR, and wavelet coefficients, the number of which will be optimized using a genetic algorithm. The evaluation of this set of features selected by the genetic algorithm is examined by applying it to a multivariate SVM. A genetic algorithm is used to optimize the parameters of each of the SVMs. Indicates the desired method. With the help of computer simulation, the overall accuracy of the system for identifying 6 types of heart rhythms is 99.15%, which in comparison with the accuracy obtained with previous research, shows the optimal performance of the proposed method.</div> سیگنال ECG, انتخاب ویژگی, ماشین بردار پشتیبان چندهسته‌ای, اجماع طبقه‌بندی, الگوریتم ژنتیک ElectroCardioGram Signals, Feature Selection, Multiple Support Vector Machine, Esemble classification, Genetic Algorithm 65 86 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-279-11&slc_lang=fa&sid=1 Maryam Azimi Far مریم عظیمی فر m.azimifar@gmail.com 100319475328460011468 100319475328460011468 No Islamic Azad University, Kohgiluyeh and Boyerahmad, Iran دانشگاه آزاد اسلامی واحد یاسوج Samad Nejatian صمد نجاتیان samad.nej.2007@gmail.com 100319475328460011469 100319475328460011469 Yes Department of Electrical Engineering, Yasooj Branch, Islamic Azad University, Yasooj, Kohgiloye and Boyerahmad, Iran دانشکده مهندسی برق، واحد یاسوج، دانشگاه آزاد اسلامی، کهگیلویه و بویراحمد، ایران Hamid Parvin حمید پروین parvin@iust.ac.ir 100319475328460011470 100319475328460011470 No Department of Computer Engineering, Islamic Azad University of Noorabad Mamasani, Fars, Iran دانشگاه آزاد اسلامی واحد نورآباد ممسنی، فارس، ایران Karamollah Bagheri Fard کرم الله باقری فرد k.bagherifard@iauyasooj.ac.ir 100319475328460011471 100319475328460011471 No Assistant Professor, Department of Computer Engineering, Yasuj Branch, Islamic Azad University دانشکده مهندسی کامپیوتر، واحد یاسوج، دانشگاه آزاد اسلامی، یاسوج، ایران Vahideh Rezaei وحیده رضایی vahidehrezaie@gmail.com 100319475328460011472 100319475328460011472 No Department of Mathematic, Yasooj Branch, Islamic Azad University, Yasooj, Kohgiloye and Boyerahmad, Iran دانشکده ریاضی، واحد یاسوج، دانشگاه آزاد اسلامی، کهگیلویه و بویراحمد، ایران