طبقهبندی سیگنال الکتروکاردیوگرام -ECG- با ماشین بردار پشتیبان و بهینهسازی اجتماع ذرات -PSO-SVM
تعداد صفحات :71آریتمیهای قلبی یکی از بیماریهای قلبی بوده که در مورد بیماران بستری شده در بخش مراقبتهای ویژه باید به آن توجه شود. هوشمندسازی فرآیند تشخیص دقیق بیماریهای قلبی مسالهای است که سالها مورد توجه پژوهشگران قرار گرفته است. در این تحقیق روشی کارآمد جهت گزینش ویژگیهای مناسب استخراج شده از سیگنال ECG، بر پایهی الگوریتم باینری فاخته (BCOA) ارائه شده است. ویژگیهای استخراج شده شامل ویژگیهای زمانی، AR و ضرایب موجک است که تعداد این ویژگیها با استفاده از عملگر mRMR یا PCA کاهش داده میشود BCOA ،مجموعههایی از ویژگی تشکیل میدهد و همواره در پی یافتن مجموعهای شایسته از تمامی ویژگیها است. ارزیابی این مجموعه از ویژگیهای انتخاب شده توسطBCOA با اعمال به طبقه بند SVM بررسی میشود. سپس الگوریتم PSO جهت بهینهسازی پارامترهای SVM اعمال میشود. به کمک شبیهسازی کامپیوتری،صحت کلی سیستم برای شناسایی 6 نوع ریتم قلبی %97/98 به دست آمد که در مقایسه دقت حاصل شده با پژوهشهای پیشین،کارایی مطلوب روش پیشنهادی را نشان میدهد.فصل اول مقدمه1-1- مقدمه1-2- تعریف مسئله1-3- ضرورت و اهمیت تحقیق1-4- روش تحقیق1-5- تعریف مفاهیمسیگنال الکتریکی قلبپتانسیل عمل عضله قلبمرحله استراحتمرحله دپلاریزاسیونمرحله رپلاریزاسیونموج Pمنحنی QRSموج Tقطعه STبازه QTبیماریهای ضربان قلبفصل دوم پیشینه پژوهش2-1- مقدمهمعرفی پایگاه داده2-2- طبقهبندی سیگنال ECG با استفاده از موجک و شبکه عصبی2-3- طبقهبندی سیگنال ECG با استفاده ازموجک و خواص مورفولوژیک و شبکه عصبی2-4- طبقهبندی سیگنال ECG با استفاده از تبدیل موجک و شبکه عصبی فازی2-5- طبقهبندی سیگنال ECG با استفاده از تبدیل ویولت و شبکه عصبی مصنوعی و الگوریتم پرندگان2-6- طبقهبندی آریتمیهای قلبی با استفاده از SVM2-7- طبقهبندی آریتمی دهلیزی بطنی2-8- طبقهبندی سیگنال الکتروکاردیوگرام با طبقهبند ماشین بردار پشتیبان و الگوریتم PSO2-9- طبقهبندی آریتمیهای قلبی با استفاده از PSO2-10- رویکرد ترکیبی در طبقهبندی سرطان2-11- دستهبندی آریتمیهای قلبی بر مینای تبدیل موجک و SVM2-12- طبقهبندی سیگنال ECG با استفاده از خواص مورفولوژی2-13- انتخاب ویژگی با استفاده از الگوریتم فاخته باینری2-14- انتخاب ویژگی با استفاده از الگوریتم فاختهفصل سوم معرفی الگوریتمها و روشهای پردازش سیگنالECG3-1- مقدمه3-2- آنالیز موجک3-2-1- تبدیل موج پیوسته (CWT)3-2-2- تبدیل موجک گسسته3-3-2-2- تجزیه چند سطحی3-2-4- انتخاب موجک مادر3-2-4- ویژگیهای استخراج شده از ویولت3-3- ویژگی زمانی3-4- استخراج ویژگی با مدل خودبازگشتی(AR)3-5- استراتژی انتخاب ویژگی3-6- تحلیل مولفه اصلی (PCA)3-7- روش بیشترین وابستگی و کمترین افزونگی (mRMR)3-8- الگوریتم فاخته COA3-8-2- جزییات الگوریتم بهینهسازی فاخته3-8-2-1- تولید محلهای سکونت اولیه فاختهها (جمعیت اولیهی جوابهای کاندید)3-8-2-2- روش فاختهها برای تخمگذاری3-8-2-3- مهاجرت فاختهها3-8-2-4- از بین بردن فاختههای قرار گرفته در مناطق نامناسب3-8-2-5- همگرایی الگوریتم3-9- گسستهسازی دودویی الگوریتم فاخته3-10- ماشین بردار پشتیبان(SVM)3-11- الگوریتم بهینهسازی ذرات(PSO)3-11-1- وزن اینرسی3-12- شمای کلی سیستم طبقهبندی سیگنال ECGفصل چهارم روش پیشنهادی طبقهبندی سیگنال ECG4-1- مقدمه4-2- پیشپردازش سیگنال ECG4-2-1- شیفت سیگنال به انحراف زمینه4-2-2- حذف مقدار متوسط سیگنال4-2-3- حذف نویز ناشی از برق شهر4-2-4- هموارسازی سیگنال4-2-5- پنجرهگذاری سیگنال4-2-6- آزمون همبستگی و حذف ضربانهای ناهمبسته4-2-7- انتخاب دادههای آموزش و آزمون4-3- ویژگیهای سیگنال4-3-1- استخراج ویژگی4-3-1-1- ویژگی زمانی4-3-1-2- ویژگی موجک4-3-1-3- ویژگی AR4-3-1-4- شناسایی نقاط پراهمیت سیگنال با استفاده از PCA4-3-2-ترکیب و ادغام ویژگیها4-3-2-1- انتخاب ویژگی با PCA4-3-2-2- انتخاب ویژگی با mRMR4-3-2-3- انتخاب ویژگی با استفاده از الگوریتم فاخته4-4- طبقهبندی با استفاده از SVMفصل پنجم نتیجهگیری5-1- مقدمه5-2- مقایسه و نتیجهگیری5-4- ارائه پیشنهادمنابع
طبقهبندی سیگنال الکتروکاردیوگرام ECG, با ماشین بردار پشتیبان و بهینهسازی اجتماع ذرات PSO SVM,طبقهبندی سیگنال الکتروکاردیوگرام ,پایان نامه مهندسی پزشکی,مهندسی پزشکی,مقالات مهندسی پزشکی,پزشکی,مقالات الکتروکاردیوگرام,الکتروکاردیوگرام,ECG