ارزیابی عملکرد طبقه بندهای SVM و FFNN در طبقه بندی آریتمی های قلبی با ویژگی های تبدیل موجک

سیگنال الکتروکاردیوگرام، نشان دهنده ی فعالیت الکتریکی قلب و یکی از مهمترین کاربردهای آن تشخیص آریتمی های قلبی است. اما تحلیل یک ثبت طولانی از این سیگنال ، با دشواری هایی رو به رو است. بنابراین نیاز به استفاده از روش های تشخیص خودکار، روز به روز بیشتر احساس می شود. در این مقاله الگوریتمی با استفاده از ویژگی های استخراج شده از تبدیل موجک و طبقه بند SVM پیشنهاد شده است. برای این منظور ابتدا نویزهای سیگنال، توسط فیلتر دیجیتال و تبدیل موجک حذف شده، سپس با الگوریتم Pan_Tompkins موج های R، استخراج شده اند. در ادامه ویژگی های هر ضربان قلب با تبدیل موجک گسسته استخراج شده و ابعاد فضای ویژگی ها با تبدیل PCA کاهش یافته است. سپس طبقه بندی با روش SVM و کرنل های مختلف آن انجام شده است. از داده های پایگاه MIT-BIH arrhythmia و نرم افزار MATLAB جهت ارزیابی کارآیی روش پیشنهادی در مقایسه با روش متداول Feed-Forward Neural Network (FFNN) استفاده شده است. پنج کلاس شامل ضربان های نرمال (N) و آریتمی های انسداد دسته شاخه چپ (LBBB)، انسداد دسته شاخه راست (RBBB)، انقباض زودرس دهلیزی (APB) و ضربان paced (PB)، با صحت 68/95 درصد با SVM در بهترین حالت و صحت 30/90 درصد با FFNN طبقه بندی شده است. نتایج نشان دهنده تشخیص موثرتر آریتمی های قلبی توسط روش پیشنهادی است.

کلیدواژه ها:

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