Signal and Data Processing

fa انتخاب ویژگی برای تشخیص آریتمی‌های قلبی با استفاده از بهینه‌سازی ازدحام ذرات دودویی چند‌هدفه Features selection for cardiac arrhythmia diagnosis using multiple objective binary particle swarm optimization مقالات گروه علائم حیاتی ( مرتبط با مهندسی پزشکی) Paper پژوهشي Research <div style="text-align: justify;">سیگنال الکتروکاردیوگرام، یکی از مهمترین ابزار برای طبقه‌بندی انواع مختلف آریتمی‌های قلبی است. به‌طورمعمول سیگنال‌های ECG، حاوی نوفه‌های متفاوتی هستند. در این مقاله، تکنیک تجزیه مد تجربی گروهی که در آن هر تابع مد ذاتی (IMF)، شامل تنها یک مؤلفه فرکانسی است، برای حذف نوفه به کار رفته است. با کمک پنجره‌بندی مناسب بر روی کمپلکس QRS متشکل از جمع سه IMF نخست، حذف نوفه با کمترین اعوجاج انجام شده و با استفاده از تبدیل موجک گسسته، نوفه‌های باقی‌مانده نیز از بین رفته، سپس با به‌کارگیری تجزیه بسته موجک، از سیگنال ویژگی استخراج شده است که ویژگی‌های بهینه، با روش بهینه‌سازی ازدحام ذرات دودویی چند‌هدفه انتخاب شدهاند؛ در‌نهایت از شبکه عصبی پس‌انتشار، برای طبقه‌بندی استفاده شده که مقدار دقت 12/99 درصد برای 17 عدد سیگنال دریافت‌‌شده از پایگاه داده MIT-BIH، به‌دست آمده است.</div> <div style="text-align: justify;">Any heart activity disorder may lead an irregularity in is rhythm, or cardiac arrhythmia. An ECG signal is one of the major tools for classifying different types of cardiac arrhythmias. ECG signals usually contain various noises. To have a better signal processing, it is essential to remove noises in a way that a signal structure never becomes subject to distortion. After the step of noise removal, selection of an appropriate method is of paramount importance for feature extraction. Optimal features can be selected to improve efficiency and reduce calculations. This article used the ensemble empirical mode decomposition (EEMD) in which any intrinsic mode function (IMF) contains only a single frequency component for noise removal. The noise removal operation with the least distortion is possible using an appropriate windowing on a QRS complex containing sum of the first three IMFs. Later, the remaining noises can be removed using discrete wavelet transform (DWT). The results of using the EEMD-DWT combined method were compared with EMD and DWT combination. After the noise removal step, feature extraction was performed through a wavelet packet decomposition. It is capable of signal decomposition at all frequencies. Multiple objective binary particle swarm optimization (MOBPSO) method was used to select optimal features and the effect of this method on the results was examined. Finally, the back propagation neural network (BPNN) and a support vector machine based on particle swarm optimization were used for classification. This article used 17 signals received from the MIT-BIH database. The acquired data belong to 6 different types of classes. After pre-processing, feature extraction, feature selection, and classification on the input data, it is observed that the proposed technique of EEMD-DWT is an appropriate method for noise removal and MOBPSO is a suitable method for the selection of best features. The BPNN classifier managed to classify cardiac arrhythmias with a higher accuracy and the values for accuracy, sensitivity, specificity, and positive predictive value were 99.12%, 97.08%, 99.38%, and 97.12%, respectively. </div> بهینه‌سازی ازدحام ذرات دودویی چند‌هدفه؛ تجزیه بسته موجک؛ تجزیه مد تجربی گروهی؛ شبکه عصبی پس‌انتشار Back Propagation Neural Network, Discrete Wavelet Transform, Electrocardiogram, Ensemble Empirical Mode Decomposition, Multiple Objective Binary Particle Swarm Optimization 163 176 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-1745-1&slc_lang=fa&sid=1 Mahsa Vaghefi مهسا واقفی mahsavaghefi@gmail.com 100319475328460010561 100319475328460010561 Yes Department of Electrical Engineering, Shiraz Branch, Islamic Azad University گروه مهندسی برق، واحد شیراز، دانشگاه آزاد اسلامی Fatemeh Jamshidi فاطمه جمشیدی Jamshidi@fasau.ac.ir 100319475328460010562 100319475328460010562 No Department of Electrical Engineering, Fasa University, Fasa, Fars province گروه مهندسی برق، دانشکده مهندسی، دانشگاه فسا