تشخیص خودکار آریتمی های قلبی به کمک شبکه های عصبی

تشخیص نادرست ویا دیر هنگام نارساییهای قلبی می تواند سالانه به بروز خطرات جدی ویا حتی مرگ برخی از افراد منجر شود. بررسی دقیق نارساییهای قلبی مستلزم تهیه نمونه های متعدد وبررسی آنها توسط پزشک ماهر می باشد که این نیز به نوبه خود وقت گیر بوده و نیازمندصرف زمان زبادی از سوی متخصص می باشد از این رو احتمال خطا در هنگام تشخیص نیز افزایش می یابد. به همین دلیل وبا توجه به اهمیتبسیار زیاد این موضوع محققان در صدد برآمدند تا روش دقیق سریع و کم خطایی را ارائه دهند که بدون نیاز به دخالت شخص ماهر ومتخصص قادر به تشخیص ودسته بندی بیمارییهای قلبی باشد. تا کنون و در این راستا مطالعات فراوانی صورت گرفته وسیستم هایی نیه ز ارائه ومطرح شده است .با مطالعه نتایج سیستم های پیشنهادی دیده می شود سیستم هایی که بر پایه شبکه های عصبی طرح ریزی شده اند از موفقیتونتایج بهتری برخوردا ر می باشند با این وجود نتایج این سیستم ها نیز خالی از ایراد نبوده ودر تمامی سیستم هایی که به کمک شبکه ها ی عصبی طر ریزی شده اند معایب مشترکی از قبیل کند بودن سیستم عدم همگرایی سریع نداشتن دقت کافی افتادن در تله های محلی در حین آموزش شبکه و.... دیده می شود. علاوه آن معمولا تعداد نمونه های مورد استفاده برای آموزش شبکه به نمونه های معدودی محدود شده که اینخود قدرت تحلیل شبکه را در تشخیص آریتمی های قلبی کاهش می دهد.ما نیز در این مقاله در جهت کاهش مشکلات سیستم های قبلی به ارائه روشی جدید برای دسته بندی وتشخیص آریتمی های قلبی بصورت خودکار پرداختیم . مزیت این روش نسبت به سیستمها ی پیشنهاد ی دیگر تلفیق دو شبکه عصبی مصنوعی ویولت برای استخراج ویژگی های سیگنالهای قلبی وشبکه عصبی MLP برای طبقه بنهد ی دادهها میباشد . مزیت دیگر این سیستم استفاده از روشی جدید برای آموزش شبکه MLP است . الگوریتم آموزشی استفاده شده در این مقاله الگوریتم آموزشی گرانشی ) GSA ( می باشد که به تازگی ارائه شده وتا حدود بسیاری قادر به حل مشکلات الگوریتم های آموزشی قدیمی تر می باشدمزیت دیگر این سیستم استفاده از روشی جدید برای آموزش شبکهMLP است . الگوریتم آموزشی استفاده شده در این مقاله الگوریتم آموزشی گرانشیGSAمی باشد که به تازگی ارائه شده وتا حدود بسیاری قادر به حل مشکلات الگوریتم های آموزشی قدیمی ترمی باشداستفاده از این الگوریتم آموزشی کارایی سیستم را تا حدو.د0/99بهبود بخشیده است .نتایج حاصل ار شبیه سازی و مقایسه آن با نتایج سیستم های دیگر گواهی بر صدق این مدعا است

کلیدواژه ها:

آریتمی قلبی ، شبکه عصبی ویولت ، شبکه عصبیMLP/الگوریتم آموزشی GSA