Signal and Data Processing
پردازش علائم و دادهها
JSDP
Engineering & Technology
http://jsdp.rcisp.ac.ir
1
admin
2538-4201
2538-421X
10.52547/jsdp
1
8888
fa
jalali
1401
9
1
gregorian
2022
12
1
19
3
online
1
fulltext
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;"><span style="font-size:12pt"><span style="direction:rtl"><span style="unicode-bidi:embed"><span new="" roman="" style="font-family:" times=""><b><span lang="FA" style="font-size:10.0pt"><span b="" nazanin="" style="font-family:"><span style="color:black">استفاده از هوش مصنوعی در فرآیند تشخیص بیماری</span></span></span></b><b><span dir="LTR" style="font-size:8.0pt"><span bold="" new="" roman="" style="font-family:" times=""><span style="color:black"></span></span></span></b><b><span lang="FA" style="font-size:10.0pt"><span b="" nazanin="" style="font-family:"><span style="color:black">های قلبی سالها مورد توجه پژوهشگران قرار گرفته است. در این مقاله، روشی کارآمد جهت گزینش ویژگیهای مناسب استخراجشده از سیگنالهای</span></span></span></b><b><span lang="AR-SA" style="font-size:10.0pt"><span b="" nazanin="" style="font-family:"><span style="color:black"> الکترکاردیوگرام</span></span></span></b><b><span lang="FA" style="font-size:10.0pt"><span b="" nazanin="" style="font-family:"><span style="color:black"> (</span></span></span></b><b><span dir="LTR" style="font-size:8.0pt"><span bold="" new="" roman="" style="font-family:" times=""><span style="color:black">ECG</span></span></span></b><b><span lang="FA" style="font-size:10.0pt"><span b="" nazanin="" style="font-family:"><span style="color:black">)، بر پایه الگوریتم ژنتیک برای استفاده در یک اجماعی از طبقه­بندهای ماشین بردار پشتیبان </span></span></span></b><b><span lang="AR-SA" style="font-size:10.0pt"><span b="" nazanin="" style="font-family:"><span style="color:black">(</span></span></span></b><b><span dir="LTR" style="font-size:8.0pt"><span bold="" new="" roman="" style="font-family:" times=""><span style="color:black">SVM</span></span></span></b><b><span lang="AR-SA" style="font-size:10.0pt"><span b="" nazanin="" style="font-family:"><span style="color:black">) </span></span></span></b><b><span lang="FA" style="font-size:10.0pt"><span b="" nazanin="" style="font-family:"><span style="color:black">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) </span></span></span></b><b><span lang="AR-SA" style="font-size:10.0pt"><span b="" nazanin="" style="font-family:"><span style="color:black">طبقه­بند ماشین بردار پشتیبان یکی از روشهای طبقه­بندی است که مناسب هر نوع محیطی محسوب میشود. </span></span></span></b><b><span lang="FA" style="font-size:10.0pt"><span b="" nazanin="" style="font-family:"><span style="color:black">این مقاله از تعدادی طبقه­بند ماشین بردار پشتیبان</span></span></span></b><b> </b><b><span lang="FA" style="font-size:10.0pt"><span b="" nazanin="" style="font-family:"><span style="color:black">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. </span></span></span></b><b><span lang="AR-SA" style="font-size:10.0pt"><span b="" nazanin="" style="font-family:"><span style="color:black">در این روش برای ترکیب خروجی طبقه­بندها از روش رأی اکثریت استفاده شده است.</span></span></span></b><b><span lang="FA" style="font-size:10.0pt"><span b="" nazanin="" style="font-family:"><span style="color:black"> از طرفی </span></span></span></b><b><span lang="AR-SA" style="font-size:10.0pt"><span b="" nazanin="" style="font-family:"><span style="color:black">در طبقه­بندی سیگنال­های </span></span></span></b><b><span dir="LTR" style="font-size:8.0pt"><span bold="" new="" roman="" style="font-family:" times=""><span style="color:black">ECG</span></span></span></b><b><span lang="AR-SA" style="font-size:10.0pt"><span b="" nazanin="" style="font-family:"><span style="color:black"> 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. </span></span></span></b><b><span lang="FA" style="font-size:10.0pt"><span b="" nazanin="" style="font-family:"><span style="color:black">ویژگیهای استخراج شده شامل ویژگیهای زمانی، </span></span></span></b><b><span dir="LTR" style="font-size:8.0pt"><span bold="" new="" roman="" style="font-family:" times=""><span style="color:black">AR<a href="#_ftn1" name="_ftnref1" title=""><sup><b><sup><span style="font-size:8.0pt"><span bold="" new="" roman="" style="font-family:" times=""><span style="color:black">[1]</span></span></span></sup></b></sup></a></span></span></span></b><b><span lang="FA" style="font-size:10.0pt"><span b="" nazanin="" style="font-family:"><span style="color:black"> و ضرایب </span></span></span></b><b><span lang="AR-SA" style="font-size:10.0pt"><span b="" nazanin="" style="font-family:"><span style="color:black">موجک</span></span></span></b><b><span dir="LTR" style="font-size:8.0pt"><span bold="" new="" roman="" style="font-family:" times=""><span style="color:black"></span></span></span></b><b><span lang="FA" style="font-size:10.0pt"><span b="" nazanin="" style="font-family:"><span style="color:black"> 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 </span></span></span></b><b><span dir="LTR" style="font-size:8.0pt"><span bold="" new="" roman="" style="font-family:" times=""><span style="color:black">SVM</span></span></span></b><b><span lang="FA" style="font-size:10.0pt"><span b="" nazanin="" style="font-family:"><span style="color:black"> چندهسته­ای بررسی میشود. از الگوریتم</span></span></span></b><b><span dir="LTR" style="font-size:8.0pt"><span bold="" new="" roman="" style="font-family:" times=""><span style="color:black"></span></span></span></b><b><span style="font-size:10.0pt"><span b="" nazanin="" style="font-family:"><span style="color:black"> ژنتیک جهت بهینهسازی پارامترهای هر کدام از </span></span></span></b><b><span dir="LTR" style="font-size:8.0pt"><span bold="" new="" roman="" style="font-family:" times=""><span style="color:black">SVM</span></span></span></b><b><span lang="FA" style="font-size:10.0pt"><span b="" nazanin="" style="font-family:"><span style="color:black">-ها استفاده می­شود. </span></span></span></b><b><span lang="AR-SA" style="font-size:10.0pt"><span b="" nazanin="" style="font-family:"><span style="color:black">بهکمک شبیهسازی رایانهای، صحت کلی سامانه برای شناسایی شش نوع ریتم قلبی %15/99 به­دست آمده است</span></span></span></b><b><span lang="FA" style="font-size:10.0pt"><span b="" nazanin="" style="font-family:"><span style="color:black"> که در مقایسه دقت حاصلشده با پژوهشهای</span></span></span></b><b><span dir="LTR" style="font-size:8.0pt"><span bold="" new="" roman="" style="font-family:" times=""><span style="color:black"></span></span></span></b><b><span style="font-size:10.0pt"><span b="" nazanin="" style="font-family:"><span style="color:black"> پیشین، کارایی مطلوب روش پیشنهادی را نشان میدهد</span></span></span></b><b><span lang="AR-SA" style="font-size:10.0pt"><span b="" nazanin="" style="font-family:"><span style="color:black">.</span></span></span></b></span></span></span></span></div>
<div><div style="text-align: justify;"></div>
<hr align="left" size="1" width="33%" >
<div id="ftn1" style="text-align: justify;"><span style="font-size:10pt"><span new="" roman="" style="font-family:" times=""><a href="#_ftnref1" name="_ftn1" title=""><span b="" class="MsoFootnoteReference" nazanin="" style="font-family:"><span style="vertical-align:super"><span style="font-size:9.0pt"><span new="" roman="" style="font-family:" times=""><span b="" class="MsoFootnoteReference" nazanin="" style="font-family:"><span style="vertical-align:super"><span style="font-size:9.0pt"><span new="" roman="" style="font-family:" times="">[1]</span></span></span></span></span></span></span></span></a> <span style="font-size:9.0pt">Autoregressive</span><span style="font-size:9.0pt"></span></span></span></div>
</div>
<div style="text-align: justify;"></div>
<div style="text-align: justify;"><span style="font-size:12pt"><span new="" roman="" style="font-family:" times=""><b><span style="font-size:10.0pt"><span bold="" new="" roman="" style="font-family:" times=""><span style="color:black">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.</span></span></span></b><b><span style="font-size:10.0pt"><span calibri="" style="font-family:"><span style="color:black"></span></span></span></b></span></span></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