این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پردازش علائم و داده ها، جلد ۱۸، شماره ۲، صفحات ۱۶۳-۱۷۶
عنوان فارسی انتخاب ویژگی برای تشخیص آریتمی‌های قلبی با استفاده از بهینه‌سازی ازدحام ذرات دودویی چند‌هدفه
چکیده فارسی مقاله سیگنال الکتروکاردیوگرام، یکی از مهم­ترین ابزار برای طبقه­‌بندی انواع مختلف آریتمی­‌های قلبی است. به‌طورمعمول سیگنال­‌های ECG، حاوی نوفه‌های متفاوتی هستند. در این مقاله، تکنیک تجزیه مد تجربی گروهی که در آن هر تابع مد ذاتی (IMF)، شامل تنها یک مؤلفه فرکانسی است، برای حذف نوفه به کار رفته است. با کمک پنجره­‌بندی مناسب بر روی کمپلکس QRS متشکل از جمع سه IMF نخست، حذف نوفه با کمترین اعوجاج انجام شده و با استفاده از تبدیل موجک گسسته، نوفه‌های باقی‌مانده نیز از بین رفته، سپس با به­‌کارگیری تجزیه بسته موجک، از سیگنال ویژگی استخراج شده است که ویژگی‌­های بهینه، با روش بهینه‌سازی ازدحام ذرات دودویی چند‌هدفه انتخاب شده­اند؛ در‌نهایت از شبکه عصبی پس‌انتشار، برای طبقه­‌بندی استفاده شده که مقدار دقت 12/99 درصد برای 17 عدد سیگنال دریافت‌‌شده از پایگاه داده MIT-BIH، به‌دست آمده است.
کلیدواژه‌های فارسی مقاله بهینه‌سازی ازدحام ذرات دودویی چند‌هدفه، تجزیه بسته موجک، تجزیه مد تجربی گروهی، شبکه عصبی پس‌انتشار
عنوان انگلیسی Features selection for cardiac arrhythmia diagnosis using multiple objective binary particle swarm optimization
چکیده انگلیسی مقاله Any heart activity disorder may lead an irregularity in is rhythm, or cardiac arrhythmia. An ECG signal is one of the major tools for classifying different types of cardiac arrhythmias. ECG signals usually contain various noises. To have a better signal processing, it is essential to remove noises in a way that a signal structure never becomes subject to distortion. After the step of noise removal, selection of an appropriate method is of paramount importance for feature extraction. Optimal features can be selected to improve efficiency and reduce calculations. This article used the ensemble empirical mode decomposition (EEMD) in which any intrinsic mode function (IMF) contains only a single frequency component for noise removal. The noise removal operation with the least distortion is possible using an appropriate windowing on a QRS complex containing sum of the first three IMFs. Later, the remaining noises can be removed using discrete wavelet transform (DWT). The results of using the EEMD-DWT combined method were compared with EMD and DWT combination. After the noise removal step, feature extraction was performed through a wavelet packet decomposition. It is capable of signal decomposition at all frequencies. Multiple objective binary particle swarm optimization (MOBPSO) method was used to select optimal features and the effect of this method on the results was examined. Finally, the back propagation neural network (BPNN) and a support vector machine based on particle swarm optimization were used for classification. This article used 17 signals received from the MIT-BIH database. The acquired data belong to 6 different types of classes. After pre-processing, feature extraction, feature selection, and classification on the input data, it is observed that the proposed technique of EEMD-DWT is an appropriate method for noise removal and MOBPSO is a suitable method for the selection of best features. The BPNN classifier managed to classify cardiac arrhythmias with a higher accuracy and the values for accuracy, sensitivity, specificity, and positive predictive value were 99.12%, 97.08%, 99.38%, and 97.12%, respectively.
کلیدواژه‌های انگلیسی مقاله Back Propagation Neural Network, Discrete Wavelet Transform, Electrocardiogram, Ensemble Empirical Mode Decomposition, Multiple Objective Binary Particle Swarm Optimization
نویسندگان مقاله مهسا واقفی | Mahsa Vaghefi
Department of Electrical Engineering, Shiraz Branch, Islamic Azad University
گروه مهندسی برق، واحد شیراز، دانشگاه آزاد اسلامی

فاطمه جمشیدی | Fatemeh Jamshidi
Department of Electrical Engineering, Fasa University, Fasa, Fars province
گروه مهندسی برق، دانشکده مهندسی، دانشگاه فسا

نشانی اینترنتی http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-1745-1&slc_lang=fa&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده مقالات گروه علائم حیاتی ( مرتبط با مهندسی پزشکی)
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات