عنوان پایان‌نامه
طراحی یک سامانه تشخیص سیگنالهای قلب نامنظم به عنوان یک گره در شبکه حسگر بی سیم و مصور سازی نتایج بر روی شبکه وای فای
- رشته تحصیلی
- مهندسی برق-مخابرات-سیستم
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس البرز شماره ثبت: 222;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 65087
- تاریخ دفاع
- ۰۲ مهر ۱۳۹۳
- دانشجو
- کامبیز زندی شهیدی
- استاد راهنما
- حسین بوبرشاد
- چکیده
- در سالیان اخیر استفاده از شبکه‌های حسگر بی‌سیم در پزشکی از راه دور بطور فزاینده‌ای رو به افزایش است. استفاده از سامانه‌هایی قابل حمل توسط بیماران که به عنوان یک گره حسگر توانایی ثبت، پردازش و ارسال به صورت بلادرنگ را دارند، می‌تواند نقش مهمی در حفظ سلامت آنان خصوصاً بیماران قلبی ایفا کند. ضربان‌های نامنظم قلب یا آریتمی‌ها از جمله رایج‌ترین علل مرگ و میر در جهان به شمار می‌آیند. تشخیص خودکار و سریع آریتمی‌های قلبی خصوصاً انواع بحرانی آن با نظارت پیوسته بر سیگنال قلب در یک شبکه حسگر پزشکی از راه دور برای بیماران بسیار مهم و در برخی موارد حیاتی است. در این تحقیق به منظور طراحی و پیاده‌سازی یک سامانه تشخیص سیگنالهای نامنظم قلب از داده‌های سیگنال ECG و ارسال نتایج بر روی شبکه Wi-Fi، الگوریتمی خودکار، قابل اعتماد و بلادرنگ برای تشخیص و طبقه‌بندی آریتمی‌های قلبی ارائه شده است. هر نوع آریتمی قلبی دارای شکل موج منحصر به فرد است که می‌تواند جهت استخراج ویژگی‌هایی که برای تحقق یک برنامه تجزیه و تحلیل ECG خودکار لازم است، استفاده شود. الگوریتم تشخیص خودکار نیاز به یک سازوکار طبقه‌بندی برای درک ویژگی‌های استخراج شده دارد. الگوریتم ارائه شده بر اساس استفاده از ساختار یادگیری نظارت شده برای طبقه‌بندی کارکرد طبیعی و غیر‌‌‌طبیعی قلب می‌باشد. این سازوکار طبقه‌بندی بر پایه الگوریتم یادگیری درخت تصمیم محقق گردید. در الگوریتم پیشنهادی چند ایده و روش نوین بکار رفته است. در ابتدا ویژگی‌های متمایز‌کننده مناسب از سیگنال ECG استخراج می‌شود. تابع توزیع تجربی به عنوان یک ویژگی سیگنال ECG معرفی و بکار گرفته شده است. این ویژگی در کنار تعداد ضربان در دقیقه (BPM) بردار ویژگی‌های مورد نیاز الگوریتم یادگیری نظارت شده را بوجود می‌آورند. در این تحقیق یک روش جدید و کارآمد جهت تشخیص موج R و محاسبه BPM ارائه شده است. الگوریتم یادگیری نظارت شده در مرحله آموزش با استفاده از بردار ویژگی‌ها و مجموعه داده‌های آموزشی، مدل طبقه‌بندی را تولید می‌نماید. نوآوری دیگر تحقیق، بکارگیری آزمون کولموگروف- اسمیرنف به عنوان یک معیار تفکیک در مدل طبقه‌بندی می‌باشد. در مرحله پیش‌بینی بخش طبقه‌بندی‌کننده بر اساس مدل بدست آمده در مرحله آموزش، آریتمی‌ها را طبقه‌بندی می‌کند. الگوریتم با استفاده از مجموعه آزمون که از داده‌های سیگنالهای ECG موجود در پایگاه داده اطلاعاتی معروف MIT-BIH Arrhythmia Database انتخاب و استخراج گردیده، بر روی سخت‌افزار طراحی شده پیاده‌سازی و ارزیابی گردیده است. نتایج حاصل کارایی بهتر (سرعت آموزش بالاتر، صحت عملکرد بهتر و زمان اجرای کوتاه‌تر) روش پیشنهادی در مقایسه با روش‌های قبلی در تشخیص آریتمی‌های قلبی را نشان می‌دهد.
- Abstract
- increasingly growing. In this paper an automatic and reliable algorithms for real-time detection and classification of critical cardiac arrhythmias by ECG signal analysis has been proposed. Applying this algorithm to the processor nodes in a wireless sensor network with limited resources (computational power, memory size and energy) are presented. This method is based on the use of supervised learning to classify normal function and abnormal function of the heart is critical. Classified by the mechanism of decision-tree learning algorithm is developed. A few new ideas and new methods in the proposed algorithm is used. At first, the appropriate and distinctive features of the ECG signal is extracted. Using the empirical distribution function as a feature of the ECG signal is presented for the first time. This feature, along with the number of beats per minute (BPM) provides the needed feature vector for supervised learning algorithm. In this research, a new and efficient method to detect the R wave and calculate the BPM is applied. Supervised learning algorithm in the training phase using vector features and training data set, generate a classification model. Another research innovation, Kolmogorov - Smirnov (K-S Test) as a criterion of classification models. In the prediction phase, based on the model obtained in the training phase, the classifier classifies arrhythmias. The algorithm has been evaluated using a test set that have been selected from the data available in the database of the ECG signal MIT-BIH Arrhythmia Database. The results show better performance (higher learning speed, better accuracy and shorter execution time) of the proposed algorithm compared to previous methods in the diagnosis of cardiac arrhythmias.
