چکیده مقاله
سیگنال قلبی یا الکتروکاردیوگرام ECG یکی از ابزارهای مهم برای تشخیص سلامت قلب است تعداد روزافزون بیماران قلبی، ضرورت توسعه روشهای تشخیص خودکار انواع اختلالات و آریتمی های قلبی را بیان میکند این ضرورت در جهت کاهش فشار بر پزشکان، تقسیم مناسب توان درمانی و افزایش صحت و دقت در فرآیندهای تشخیصی و درمانی خواهد بود مقاله پیش رو طبقه بندی انواع آریتمی قلبی را از روی ECG پیشنهاد داده است پس از پیش پردازش دادگان، طبقه بندی بر اساس ویژگیهای شکلی مورفولوژیک سیگنال و ویژگیهای استخراج شده توسط تبدیل موجک گسسته DWT صورت می گیرد از شبکه عصبی مصنوعی ANN به عنوان طبقه بند استفادهشده است پایگاه داده آریتمی MIT BIH ECG به عنوان دادگان مقاله در نظر گرفته شد شبکه عصبی با استفاده از چهار گروه داده یعنی سه نوع آریتمی از نوع APB Atrial Premature Beat، LBBB Left Bundle Branch Block، RBBB Right Bundle Branch Block و گروه نرمال N آموزش دادهشده و طبقه بندی بر رویداده های تست صورت می پذیرد نتایج حاصل از الگوریتم ارزیابی k fold نشان میدهد که با استفاده از ویژگیهای مورفولوژیک و ویژگیهای مربوط به ضرایب موجک، صحت طبقه بندی برابر با %93 خواهد بود استفاده از هر دو گروه ویژگی برای آموزش، صحت طبقهبندی را افزایش میدهد چراکه صحت طبقه بندی در حالتی که تنها از ویژگیهای مورفولوژیک سیگنال استفاده شود %83 و در حالتی که تنها از ویژگی های مربوط به ضرایب تبدیل موجک استفاده شود %88 خواهد بود
کلیدواژهها
نویسندگان
نگار معینی
دانشجوی کارشناسی مهندسی پزشکی، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات
علی اخلاصی
دانشجوی دکتری مهندسی پزشکی، بیوالکتریک، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات
حسام احمدی
دانشجوی دکتری مهندسی پزشکی، بیوالکتریک، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات
شیوه ارجاع
معینی، نگار و اخلاصی، علی و احمدی، حسام،1399،طبقه بندی آریتمی قلبی از روی سیگنال ECGاز طریق ویژگی های مورفولوژیک و ضرایب موجک گسسته با استفاده از شبکه عصبی،هفتمین کنگره ملی تازه یافته های مهندسی برق ایران،تهران
ارائهشده در
مجموعه مقالات هفتمین کنگره ملی تازه یافته های مهندسی برق ایران20 خرداد 1399 · تهران