بهبود طبقه بندی سیگنال الکتروکاردیوگرام (ECG) با ماشین بردار پشتیبان و بهینه سازی اجتماع ذرات (PSO-SVM)

آریتمی های قلبی یکی از بیماری های قلبی بوده که در مورد بیماران بستری شده در بخش مراقبتهای ویژه باید به آن توجه شود. هوشمندسازی فرآیند تشخیص دقیق بیماریهای قلبی مسالهای است که سالها مورد توجه پژوهشگران قرار گرفته است. در این تحقیق روشی کارآمد جهت گزینش ویژگیهای مناسب استخراج شده از سیگنال ECG، بر پایه ی الگوریتم باینری فاخته (BCOA) ارایه شده است. ویژگیهای استخراج شده شامل ویژگیهای زمانی، AR و ضرایب موجک است که تعداد این ویژگیها با استفاده از عملگر mRMR یا PCA کاهش داده میشود BCOA ،مجموعه هایی از ویژگی تشکیل میدهد و همواره در پی یافتن مجموعه ای شایسته از تمامی ویژگیها است. ارزیابی این مجموعه از ویژگیهای انتخاب شده توسط BCOA با اعمال به طبقه بند SVM بررسی می شود. سپس الگوریتم PSO جهت بهینه سازی پارامترهای SVM اعمال میشود. به کمک شبیه سازی کامپیوتری،صحت کلی سیستم برای شناسایی 6 نوع ریتم قلبی 98/97% به دست آمد که در مقایسه دقت حاصل شده با پژوهشهای پیشین،کارایی مطلوب روش پیشنهادی را نشان میدهد.

کلیدواژه ها:

طبقه بندی سیگنال الکتروکاردیو گرام ، الگوریتم فاخته ، طبقه بند ماشین بردار پشتیبان ، الگوریتم باینری