عنوان پایان‌نامه
طبقه بندی و پیش بینی سیگنالهای ECG در یک محیط هوشمند با رویکرد ترکیب اطلاعات
- رشته تحصیلی
- مهندسی برق-کنترل
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه دانشکده برق و کامپیوتر شماره ثبت: E1520;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 40370;کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 1520
- تاریخ دفاع
- ۱۲ اسفند ۱۳۸۷
- دانشجو
- بهاره پوربابایی
- چکیده
- در سال¬های اخیر امکان تحقق محیط¬های هوشمند، به صورت¬های مختلف و با کاربرد¬های متنوع فراهم شده است. نمونه¬ای از این کاربرد¬ها که توجه زیادی را به خود معطوف نموده، کاربرد این تکنولوژی در زمینه پایش سلامتی و زندگی با تعاون فراگیر است. یکی از بیماری¬هایی که می¬تواند با این روش مورد بررسی قرار گیرد و با استفاده از روش¬های پیش¬بینی و هشدار، کیفیت زندگی بیماران سالخورده را به میزان قابل توجهی بهبود بخشد بیماری فیبریلاسیون دهلیزی است. در این پایان‌نامه پس از معرفی سیگنال ECG و روشهای درمانی و علائم بالینی بیماری فیبریلاسیون دهلیزی، به استخراج انواع ویژگیهای آماری و مربوط به شکل موج سیگنال ECG پرداخته و بدین ترتیب با بکارگیری روشهای انتخاب ویژگیهای برتر، نظیر تحلیل مولفه‌های اساسی و انتخاب ترتیبی رو به جلو، ابعاد بردارهای ویژگی کاهش می‌یابد. پس از آن، با استفاده از 4 طبقه‌بندی کننده شبکه عصبی چند لایه، بیز با تخمین KNN و گوسی تابع چگالی احتمال و طبقه‌بندی کننده KNN به طبقه‌بندی بردارهای ویژگی و شناسایی افراد مبتلا به فیبریلاسیون دهلیزی، سیگنال ECG وضعیت نرمال، پیش ازحمله و لحظه حمله افراد بیمار پرداختیم. بدین ترتیب بهترین زیرمجموعه‌های ویژگی با توجه به بیشینه نرخ طبقه‌بندی درست در هر یک از مسائل طبقه‌بندی مشخص گردید. پس از آن با بکارگیری روشهای ترکیب طبقه‌بندی کننده‌ها نظیر انتگرال فازی، بیز ساده و عملگر میانگین‌گیری مرتب وزن‌دار موفق شدیم که نرخ طبقه‌بندی درست را به مقدار بی‌سابقه‌ای در تاریخ تشخیص و شناسایی حالات مختلف بیماری فیبریلاسیون دهلیزی افزایش دهیم. در مرحله بعد، به ارائه روشهایی نوین همچون مدلهای فازی عصبی خطی محلی با یادگیری درختی جهت پیش‌بینی کوتاه‌مدت سیگنال ECG و لحظه شروع حمله فیبریلاسیون دهلیزی در افق پیش‌بینی کمتر از 2 ثانیه پرداختیم. پس از آن با بکارگیری تحلیل طیف تکین جهت استخراج روندهای اصلی، غیرخطی و الگوهای نوسانی سیگنال ECG، موفق به کاهش خطای پیش‌بینی در افقهای طولانی‌تر و نهایتا پیش‌بینی لحظه حمله در افق کمتر از 5/3 ثانیه شدیم. بدین ترتیب، نتایج این پایان‌نامه نشان می‌دهد که بکارگیری روشهای ترکیب اطلاعات ، مدلهای فازی عصبی خطی محلی و طیف تکین برای اولین بار می‌تواند راه‌گشای بسیاری از مسایل پیش‌بینی و تشخیص آریتمهای مختلف قلبی بخصوص مرگ ناگهانی قلب به شمار آید.
- Abstract
- During the recent years, Smart Environment concept has been applied in different areas such as health monitoring, pervasive computing and also assistive technologies. Various prediction algorithms and alarm systems are important strategies which can be used in smart homes in order to look after patients specially those with heart or neural system disorders and also to improve their life situation. For instance, Paroxysmal Atrial Fibrillation, one of the most life threatening heart arrhythmias, prediction is considered in this project. At first, the ECG signals and Atrial fibrillation clinical symptoms are introduced and then the different statistical and morphological features are extracted from ECG signals. Secondly, the feature vector’s dimension is reduced by means of various feature selection methods such as principal component analysis and sequential forward slection. Afterwards, the feature vectors are used to be classified by multi layer perceptron neural networks with one hidden layer and the optimal number of neurons, Bayes classifier with two methods of probability density function estimation such as k-nearest neighbour and guassian method and also k-nearest neighbour classifier, in order to identify Atrial Fibrillation patients among healthy people. By using the above mentioned methods, we also became successful to classify different ECG records in to three groups related to ECG signals far from PAF episode, immidiatly before PAF episode and also the exact PAF episode. Finally, In each classification problem, the best feature set with the most separability measure between classes and also the most correct classification rate (CCR) is determined. In the next step, different classifier fusion algorithms such as Naïve Bayes, fuzzy integral and order weighted averaging (OWA) are used to increase the CCR of the above classification problems. The percentages of CCR acquired through all classification problems are the best of all previous researches. In the next part, we used locally linear neuro fuzzy models with incremental tree leaning algorithm in order to predict the onset of Paroxysmal Atrial Fibrillation in the prediction horizon of less than 2 seconds. Then, the prediction error specially in longer horizon is decreased through the use of singular spectral analysis being able to extract principal ECG signal trends. Consequently, we become able to predict the onset of Paroxysmal Atrial Fibrillation in the horizon of 3.5 seconds. Finally, by considering the results of this project, it is worthy mentioning that the above algorithms, particularly the prediction ones are really effective to be used in other arrhythmias prediction tasks such as sudden cardiac death.
