طبقه‌بندی سیگنال الکتروکاردیوگرام -ECG- با ماشین بردار پشتیبان و بهینه‌سازی اجتماع ذرات -PSO-SVM

تعداد صفحات :71

نوع فایل : ورد - قابل ویرایش
آریتمی‌های قلبی یکی از بیماری‌های قلبی بوده که در مورد بیماران بستری شده در بخش مراقبت‌های ویژه باید به آن توجه شود. هوشمند‌سازی فرآیند تشخیص دقیق بیماری‌های قلبی مساله‌ای است که سال‌ها مورد توجه پژوهشگران قرار گرفته است. در این تحقیق روشی کارآمد جهت گزینش ویژگی‌های مناسب استخراج شده از سیگنال ECG، بر پایه‌ی الگوریتم باینری فاخته (BCOA) ارائه شده است. ویژگی‌های استخراج شده شامل ویژگی‌های زمانی،‌ AR و ضرایب موجک‌ است که تعداد این ویژگی‌ها با استفاده از عملگر mRMR یا PCA کاهش داده می‌شود BCOA ،مجموعه‌هایی از ویژگی تشکیل می‌دهد و همواره در پی یافتن مجموعه‌ای شایسته از تمامی ویژگی‌ها است. ارزیابی این مجموعه از ویژگی‌های ا‌نتخاب شده توسط‌BCOA با اعمال به طبقه بند SVM بررسی می‌شود. سپس الگوریتم‌ PSO جهت بهینه‌سازی پارامترهای‌ SVM اعمال می‌شود.‌ به کمک شبیه‌سازی کامپیوتری،صحت کلی سیستم برای شناسایی 6 نوع ریتم قلبی %97/98 به دست آمد که در مقایسه دقت حاصل شده با پژوهش‌های‌ پیشین،کارایی مطلوب روش پیشنهادی را نشان می‌دهد.

فصل اول 

مقدمه

1-1- مقدمه

1-2- تعریف مسئله

1-3- ضرورت و اهمیت تحقیق

1-4- روش تحقیق

1-5- تعریف مفاهیم

سیگنال الکتریکی قلب

پتانسیل عمل عضله قلب

مرحله استراحت

مرحله دپلاریزاسیون

مرحله رپلاریزاسیون

موج P

منحنی QRS

موج T

قطعه ST

بازه QT

بیماریهای ضربان قلب

فصل دوم 

پیشینه پژوهش

2-1- مقدمه

معرفی پایگاه داده

2-2- طبقه‌بندی سیگنال ECG با استفاده از موجک و شبکه عصبی

2-3- طبقه‌بندی سیگنال ECG با استفاده ازموجک و خواص مورفولوژیک و شبکه عصبی

2-4- طبقه‌بندی سیگنال ECG با استفاده از تبدیل موجک و شبکه عصبی فازی

2-5- طبقه‌بندی سیگنال ECG با استفاده از تبدیل ویولت و شبکه عصبی مصنوعی و الگوریتم پرندگان

2-6- طبقه‌بندی آریتمی‌های قلبی با استفاده از SVM

2-7- طبقه‌بندی آریتمی دهلیزی بطنی

2-8- طبقه‌بندی سیگنال الکترو‌کاردیو‌گرام با طبقه‌بند ماشین بردار پشتیبان و الگوریتم PSO

2-9- طبقه‌بندی آریتمی‌های قلبی با استفاده از PSO

2-10- رویکرد ترکیبی در طبقه‌بندی سرطان

2-11- دسته‌بندی آریتمی‌های قلبی بر مینای تبدیل موجک و SVM

2-12- طبقه‌بندی سیگنال ECG با استفاده از خواص مورفولوژی

2-13- انتخاب ویژگی با استفاده از الگوریتم فاخته باینری

2-14- انتخاب ویژگی با استفاده از الگوریتم فاخته

فصل سوم 

معرفی الگوریتم‌ها و روش‌های پردازش سیگنالECG

3-1- مقدمه

3-2- آنالیز موجک

3-2-1- تبدیل موج پیوسته (CWT)

3-2-2- تبدیل موجک گسسته

3-3-2-2- تجزیه چند سطحی

3-2-4- انتخاب موجک مادر

3-2-4- ویژگی‌های استخراج شده از ویولت

3-3- ویژگی زمانی

3-4- استخراج ویژگی با مدل خودبازگشتی(AR)

3-5- استراتژی انتخاب ویژگی

3-6- تحلیل مولفه اصلی (PCA)

3-7- روش بیشترین وابستگی و کمترین افزونگی (mRMR)

3-8- الگوریتم فاخته COA

3-8-2- جزییات الگوریتم بهینه‌سازی فاخته

3-8-2-1- تولید محل‌های سکونت اولیه فاخته‌ها (جمعیت اولیه‌ی جواب‌های کاندید)

3-8-2-2- روش فاخته‌ها برای تخم‌گذاری

3-8-2-3- مهاجرت فاخته‌ها

3-8-2-4- از بین بردن فاخته‌های قرار گرفته در مناطق نا‌مناسب

3-8-2-5- همگرایی الگوریتم

3-9- گسسته‌‌سازی دودویی الگوریتم فاخته

3-10- ماشین بردار پشتیبان(SVM)

3-11- الگوریتم بهینه‌سازی ذرات(PSO)

3-11-1- وزن اینرسی

3-12- شمای کلی سیستم طبقه‌بندی سیگنال ECG

فصل چهارم 

روش پیشنهادی طبقه‌بندی سیگنال ECG

4-1- مقدمه

4-2- پیش‌پردازش سیگنال ECG

4-2-1- شیفت سیگنال به انحراف زمینه

4-2-2- حذف مقدار متوسط سیگنال

4-2-3- حذف نویز ناشی از برق شهر

4-2-4- هموارسازی سیگنال

4-2-5- پنجره‌گذاری سیگنال

4-2-6- آزمون همبستگی و حذف ضربان‌های نا‌همبسته

4-2-7- انتخاب داده‌های آموزش و آزمون

4-3- ویژگی‌های سیگنال

4-3-1- استخراج ویژگی

4-3-1-1- ویژگی زمانی

4-3-1-2- ویژگی موجک

4-3-1-3- ویژگی AR

4-3-1-4- شناسایی نقاط پراهمیت سیگنال با استفاده از PCA

4-3-2-ترکیب و ادغام ویژگی‌ها

4-3-2-1- انتخاب ویژگی با PCA

4-3-2-2- انتخاب ویژگی با mRMR

4-3-2-3- انتخاب ویژگی با استفاده از الگوریتم فاخته

4-4- طبقه‌بندی با استفاده از SVM

فصل پنجم 

نتیجه‌گیری

5-1- مقدمه

5-2- مقایسه و نتیجه‌گیری

5-4- ارائه پیشنهاد

منابع