تشخیص آریتمی های قلبی به کمک شبکه های عصبی با بکارگیری ویژگی های آشوبی سیگنال نرخ تغییرات قلبی و تکنیک تحلیل تمایزی تعمیم یافته

در این مقاله یک الگوریتم جدید وموثر جهت طبقه بندی آریتمی های مهم قلبی با استفاده از سیگنال تغییرات ضربان قلب HRV که دارای مشخصه های آشوبگونه بهتری نسبت به ECG ست پیشنهاد شده است. در مرحله استخراج ویژگی، علاوه بر ویژگی های متداول خطی زمانی و فرکانسی، ویژگی های غیرخطی (آشوبگون) نیز بررسی شده اند. برای تسهیل در تعلیم و افزایش دقت طبقه بندی کننده، از دو تکنیک استفاده شده است: الف) تعداد ویژگی های استخراج شده توسط تکنیک آنالیز تمایزی تعمیم یافته GDA کاهش یافته است بدون آنکه این کاهش محتوای اطلاعات موجود را تقلیل دهد. ب) به کمک یک نگاشت خودسازمانده SOM برای هر گروه از داده ها، داده هایی برای تعلیم انتخاب شده اند که بیشترین محتوای اطلاعات را در مورد آن گروه داشته باشند. بررسی نتایج نشان می دهد که ویژگی های آشوب گونه نقش موثری در افزایش دقت سیستم تشخیص آریتمی قلبی دارد بنحوی که دقت کلی روش از حدود ۹۲٪ به ۹۷٪ افزایش یافته است. همچنین این نتایج موید اهمیت بکارگیری تکنیک های GDA و SOM به نحو پیش گفته است.در مرحله طبقه بندی طبقه بندهای MLP و SVM و PNN مورد استفاده قرار گرفته و نتایج مقایسه شده است. در این مقاله۷ نوع آریتمی مختلف VT, VF, LBBB, CHB, AF, AFL, PVC و نیز گروه ضربانهای طبیعی (NSR) با دقت کلی ۹۷.۴ درصد شناسایی و طبقه بندی شده اند.

کلیدواژه ها:

آریتمی قلبی ، سیگنال ECG ، سیگنال HRV ، شبکه عصبی مصنوعی ، ماشینهای بردار پشتیبان SVM ، تحلیل تمایزی تعمیم یافته GDA ، نگاشت خودسازمانده SOM