Signal and Data Processing

fa تشخیص آریتمی انقباضات زودرس بطنی در سیگنال الکتریکی قلب با استفاده ازترکیب طبقه‌بندها Premature Ventricular Contraction Arrhythmia Detection in ECG Signals via Combined Classifiers مقالات گروه علائم حیاتی ( مرتبط با مهندسی پزشکی) Paper پژوهشي Research 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.   Cardiovascular diseases are the most dangerous diseases and one of the biggest causes of fatality all over the world. One of the most common cardiac arrhythmias which has been considered by physicians is premature ventricular contraction (PVC) arrhythmia. Detecting this type of arrhythmia due to its abundance of all ages, is particularly important. ECG signal recording is a non-invasive, popular method for an assessment of heart's function. Development of quick, accurate automatic ECG classification methods is essential for the clinical diagnosis of heart disease. This research analyzes the ECG signal to detect PVC arrhythmia. Different techniques are provided in order to detect this type of arrhythmia based on ECG signals. As these techniques use different methods for detection, the reaction of each one will be different to detect this type of arrhythmia. There is no classifier to give the best results for all matters at any time and combining classifiers improve the combined system results in comparison with each of the techniques. In this study, the MIT-BIH arrhythmia database is used as a data source. Two datasets are used for training; the first contains 2400 samples, as in other studies, and the second contains 600 samples, including normal and PVC beats. Morphological features and features obtained from wavelet transform used in a combined classifier were used afterwards, which is the combination of the most common classifiers namely artificial neural network, SVM and KNN for PVC beat classification. Statistical significance features were selected using the p-value approach and normalized them. The best results were obtained when combining all three classifiers and using normalized statistical significance features. The designed hybrid system succeeded to detect PVC beats with 98.9±0.2% accuracy, 99.0±0.1% sensitivity, and 98.8±0.2% specificity. Also, the efficiency of the proposed method was shown when using limited training samples. The results showed the success of the proposed approach, specifically in comparison with other related research studies.   انقباضات زودرس بطنی, الکتروکاردیوگرام, ویژگی‌های مورفولوژیکی, ترکیب طبقه‌بندها Premature ventricular contraction, ECG, Morphological features, Combined classifiers 55 70 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-1133-1&slc_lang=fa&sid=1 Masoud Rahbaripour مسعود رهبری پور masoud.rahbaripour@gmail.com 10031947532846005967 10031947532846005967 No Tarbiat Modares University دانشگاه تربیت مدرس Babak Mohammadzadeh Asl بابک محمدزاده اصل babakmasl@modares.ac.ir 10031947532846005968 10031947532846005968 Yes Tarbiat Modares University دانشگاه تربیت مدرس