طبقه‏بندی ضربان‏های سیگنال ECG با ویژگی‏های تبدیل موجک و طبقه‏بندهای SVM و FFNN

سیگنال الکتروکاردیوگرام فعالیت الکتریکی قلب را نشان می دهد و پزشکان در تشخیص بیماری‏های قلبی از آن استفاده می کنند. برای آنالیز یک ثبت طولانی از این سیگنال، زمان زیادی صرف می شود و گاهی ممکن است با خطا همراه شود، از این رو نیاز به یک ابزار تشخیص به کمک کامپیوتر، برای کمک به پزشکان احساس می شود. در این تحقیق، ابتدا نویزهای موجود در سیگنال، توسط فیلتر دیجیتال و تبدیل موجک گسسته حذف شده؛ سپس با الگوریتم Pan_Tompkins کمپلکس‏های QRS ، استخراج شده‏اند. در مرحله بعد ویژگی‏های هر سیکل قلبی توسط تبدیل موجک گسسته استخراج و برای کاهش ابعاد فضای ویژگی از تبدیل PCA استفاده شده است. در آخر، طبقه‏بندی آریتمی‏ها، با دو روش SVM و Feed-Forward Neural Network (FFNN) ، انجام شده است. از داده‏های موجود در پایگاه داده MIT-BIH arrhythmia و نرم‏افزار MATLAB جهت ارزیابی روش‏های به کار رفته استفاده شده است. پنج کلاس شامل ضربان‏های نرمال (N) و آریتمی‏های انسداد دسته شاخه چپ (LBBB)، انسداد دسته شاخه راست (RBBB)، انقباض زودرس دهلیزی (APB) و ضربان paced (PB)، با صحت 94/47 درصد با SVM و صحت 90/30 درصد با FFNN طبقه بندی شده است.

کلیدواژه های طبقه‏بندی ضربان‏های سیگنال ECG با ویژگی‏های تبدیل موجک و طبقه‏بندهای SVM و FFNN:

الکتروکاردیوگرام ، آریتمی ، تبدیل موجک گسسته ، تبدیل PCA ، روش SVM