نرمال کردن و طبقه بندی سیگنال های ECG در تشخیص بیماری های قلبی با استفاده از الگوریتم های نوین فراابتکاری

هوشمندسازی فرآیند تشخیص دقیق بیماری های قلبی مسئله ای است که سال ها مورد توجه پژوهشگران قرار گرفته است. در این تحقیق از روش های کارآمد جهت پیش پردازش، استخراج ویژگی و انتخاب ویژگی های مناسب سیگنال ECG استفاده شده است. هدف ما در مرحله پیش پردازش یکی کردن داده از ابزارهای مختلف ECG و بیماران متفاوت است. دستگاه های مختلف بهره، فرکانس و مولفه ثابت متفاوتی دارند و سیگنال بیماران متفاوت دارای دامنه های متفاوتی نیز هستند. ما از چهار نوع استخراج ویژگی در روش پیشنهادی بهره گرفتیم؛ که این روش ها شامل تجزیه موجک، روش ولش، پریودگرام و تبدیل فوریه هستند. بازشناسی اختلالات قلبی روی نمونه هاست (قطعات سیگنال ECG). این تحلیل بر مبنای الگوریتم های یادگیری ماشین انجام می شود. الگوریتم های مختلف یادگیری ماشین شامل تکنیک های طبقه بندی است. در روش پیشنهادی از الگوریتم ژنتیک برای دستیابی به بهترین ترکیب فیلترها و دسته بندها جهت رسیدن به جواب نزدیک به بهینه استفاده شده است. به کمک شبیه سازی کامپیوتری، صحت کلی سیستم برای شناسایی ۱۷ نوع ریتم قلبی %۹۸ به دست آمد که در مقایسه دقت حاصل شده با پژوهش های پیشین، کارایی مطلوب روش پیشنهادی را نشان می دهد.

کلیدواژه ها:

طبق‎بندی سیگنال الکتروکاردیوگرام ، الگوریتم ژنتیک ، پیش پردازش ، استخراج ویژگی ، الگوریتم های یادگیری ماشین