دوره 19، شماره 3 - ( 9-1401 )                   جلد 19 شماره 3 صفحات 86-65 | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Azimi Far M, Nejatian S, Parvin H, Bagheri Fard K, Rezaei V. Predicting cardiac arrhythmia on ECG signal using an ensemble of optimal multicore support vector machines. JSDP 2022; 19 (3) :65-86
URL: http://jsdp.rcisp.ac.ir/article-1-1128-fa.html
عظیمی فر مریم، نجاتیان صمد، پروین حمید، باقری فرد کرم الله، رضایی وحیده. پیش‌بینی آریتمی قلبی در سیگنال ECG با به‌کارگیری مجمعی از ماشین‌های بردار پشتیبان چندهسته‌ای بهینه. پردازش علائم و داده‌ها 1401; 19 (3) :86-65

URL: http://jsdp.rcisp.ac.ir/article-1-1128-fa.html


دانشکده مهندسی برق، واحد یاسوج، دانشگاه آزاد اسلامی، کهگیلویه و بویراحمد، ایران
چکیده:   (99 مشاهده)
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[1] 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.

[1] Autoregressive
شماره‌ی مقاله: 5
متن کامل [PDF 1661 kb]   (54 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: مقالات گروه علائم حیاتی ( مرتبط با مهندسی پزشکی)
دریافت: 1399/1/9 | پذیرش: 1400/9/20 | انتشار: 1401/10/4 | انتشار الکترونیک: 1401/10/4

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این تارنما متعلق به فصل‌نامة علمی - پژوهشی پردازش علائم و داده‌ها است.