عنوان پایان‌نامه
طبقه بندی الگوهای نوار قلب با استفاده از روشهای یادگیری ماشین
- رشته تحصیلی
- مهندسی فناوری اطلاعات پزشکی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 75370;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 75370
- تاریخ دفاع
- ۳۰ شهریور ۱۳۹۴
- دانشجو
- امید باصری
- استاد راهنما
- حسین بوبرشاد, هادی ویسی
- چکیده
- گسترده‌ترین روش برای مشاهده‌ی فعالیت الکتریکی قلب در طول زمان، الکتروکاردیوگرام یا نوار قلب (ECG) بوده است. به علت سهولت استفاده از آن، ECG برای هر وضعیت پزشکی از جمله ارزیابی وضعیت بالینی قلب مورد استفاده قرار می‌گیرد. با مشاهده‌ی شکل موج ECG، پزشکان می‌توانند ناهنجاری‌های موجود در عملکرد قلب را تشخیص دهند و همچنین استنباط نمایند که چه نوع ارزیابی پزشکی مورد نیاز است. با توجه به عملکرد حیاتی قلب در انسان به عنوان عضوی? ?زندگی بخش، ?بیشتر بیمارانی که در معرض بیماری‌های قلبی قرار دارند، روند فعالیت قلبی آنان باید به طور مستمر ثبت و بررسی گردد. سرعت، ?دقت و جامع بودن طبقه‌بندی کننده خودکار نوار قلب می‌تواند نقش مؤثری در تشخیص عوارض قلبی ?داشته و از عواقب ناخوشایند بعدی جلوگیری کند.????????? سیستم طبقه‌بندی خودکار نوار قلب شامل سه مرحله پیش پردازش سیگنال ECG، استخراج ویژگی از سیگنال ECG و طبقه‌بندی ضربان قلب بر اساس ویژگی‌های استخراج شده است. این پایان‌نامه ارائه دهنده‌ی عملکرد سه طبقه‌بندی کننده‌ی خودکار نوار قلب (ECG) برای تشخیص ضربان‌های غیرطبیعی قلب با ارائه الگوریتم‌های جدیدی در مرحله‌ی طبقه‌بندی است. ما در مرحله پیش پردازش هیچ عملیاتی جهت حذف یا کاهش نویز اعمال نکردیم و از 256 نمونه سیگنال قلب به عنوان یک واحد ضربان قلب و ورودی مرحله طبقه‌بندی ضربان قلب استفاده کردیم. در طراحی این طبقه‌بندی کننده‌های خودکار، تلاش شده است با ارائه ایده تقسیم کار و ترکیب نتایج چند شبکه عصبی با همدیگر در مرحله‌ی طبقه‌بندی، صحت تشخیص روشهای موجود را افزایش دهیم. پایگاه داده آریتمی MIT-BIH برای طبقه‌بندی سیگنال ECG در ده طبقه (ضربان نرمال، بلوک شاخه‌ای چپ و راست، انقباضات زودرس بطنی و دهلیزی، ضربان کند، تلفیقی از ضربان کند و نرمال، تلفیقی از انقباض زودرس بطنی و ضربان نرمال ، ضربان گریز سیناپسی و ضربان زودرس سیناپسی) سیگنال قلب استفاده شده است. عملکرد الگوریتم‌های پیشنهادی با توجه به معیارهای استاندارد، مورد ارزیابی قرار گرفت و میزان صحت ببین 99.06 تا 99.49 (بر روی بیش از 18000 ضربان آزمون) بدست آمده است.
- Abstract
- The most widespread method to observe the electrical activity of the heart over time is the electrocardiogram (ECG). Owing to its non-invasive nature and ease of use, the ECG is utilized in virtually every medical situation which involves the evaluation of the heart's clinical condition. By observing the ECG waveform, physicians can detect possible anomalies in the heart's functionality as well as deduce what type of further medical evaluation is required The dissertation presents the classification performance of three automatic classifiers of the electrocardiogram (ECG) for the detection abnormal beats with new concept of classification stage. The MIT-BIH arrhythmia database has been applied for QRS classification in ten heartbeat types (normal beats, left and right bundle branch blocks, premature atrial and ventricular contractions, paced beats, fusion of paced and normal beat, fusion of ventricular and normal beat, junctional escape beat and junctional premature beat). With this algorithm, we have tried to increase detection accuracy by combine the results of several methods together. The performance of the algorithms is evaluated on the standard scales and the accuracy achieved between 99.06 to 99.49.
