به کارگیری فیلتر وفقی برای حذف نویز از سیگنال های ECG با استفاده از تبدیل موجک و یادگیری عمیق

مقدمه: الکتروکاردیاگرام یکی از روش های اندازه گیری فعالیت های الکتریکی قلب است که این اندازه گیری با قرار دادن الکترودهایی روی سطح بدن اندازه گیری می شود. پزشکان برای تشخیص و شناسایی بیماری های قلبی از ابزار مشاهده استفاده می کنند که این کار در سیگنال های ECG توسط متخصص قلب و عروق انجام می شود. به طور خاص بیماری های قلبی با بررسی نمایش گرافیکی سیگنال های قلبی که با عنوان ECG معرفی شد، انجام می شود. سیگنال های ECG به دلیل منابع خارجی یا سایر فرآیند های فیزیولوژیکی بدن انسان با نویز همراه می باشد. روش: در این پژوهش کاربردی یک فیلتر وفقی بر اساس تبدیل موجک و شبکه عصبی عمیق برای کاهش نویز پیشنهاد شد. این مجموعه ترکیبی از تبدیل ویولت، یادگیری وفقی و نگاشت غیر خطی از شبکه های عصبی عمیق است. شبکه عصبی عمیق به کمک فیلتر وفقی برای کاهش نویز بیشتر از سیگنال ECG مورد استفاده قرار می گیرد. نتایج: معیار مورد نظر برای ارزیابی کیفیت روش پیشنهادی به منظور حذف نویز، نسبت سیگنال به نویز می باشد که هدف این پژوهش افزایش این نسبت می باشد که بیانگر بازدهی روش مبتنی بر تبدیل موجک و یادگیری عمیق می باشد. نتیجه ­گیری: نتایج حاصل از شبیه سازی نشان می دهد که روش پیشنهادی نسبت به روش های موجود حدود ۹/۵۶ درصد حذف نویز از سیگنال ECG را بهبود می بخشد. علت این امر آن است که ضرایب استخراجی از فیلتر وفقی با استفاده از شبکه عصبی عمیق بهینه می شوند به گونه ای که شکل موج با نویز کمتری را فراهم می آورد.

کلیدواژه ها:

ECG Signal ، Wavelet Transform ، Deep Learning ، سیگنال ECG ، تبدیل موجک ، یادگیری عمیق