الف – پرداخت وجه بحساب وب سایت ایران ترجمه(شماره حساب)ب- اطلاع جزئیات به ایمیل irantarjomeh@gmail.comشامل: مبلغ پرداختی – شماره فیش / ارجاع و تاریخ پرداخت – مقاله مورد نظر --مقالات آماده سفارش داده شده پس از تایید به ایمیل شما ارسال خواهند شد.
قیمت
قیمت این مقاله: 58000 تومان
(ایران ترجمه - Irantarjomeh)
توضیح
بخش زیادی از این مقاله بصورت رایگان ذیلا قابل مطالعه می باشد.
دپارتمان مهندسی برق، دانشگاه ارومیه، آذربایجان غربی، ایران
الزویر
مرجع به انگلیسی
Biomedical Signal Processing and Control; Department of Electrical Engineering, Urmia University, Urmia, West Azerbaijan, Iran; Elsevier
کشور
ایران
یک الگوریتم دسته بندی جدید سیگنال ECG شخصی سازی شده با استفاده از شبکه عصبی بلوک مبنا و بهینه سازی ازدحام ذرات
چکیده
هدف این مقاله دسته بندی ضربات قلب ECG بیماران با توجه به پنج نوع ضربان قلب بر مبنای توصیه AAMI و با استفاده از شبکه عصبی مصنوعی می باشد. در این مقاله یک شبکه عصبی بلوک مبنا (BBNN) به عنوان کلاسیفایر مورد استفاده قرار می گیرد. BBNN از آرایه دو بعدی بلوک هایی ایجاد می شود که متصل به یکدیگر هستند. ساختار داخلی هر بلوک منوط به تعداد سیگنال های ورودی و خروجی می باشد. ساختار کلی این شبکه بر مبنای حرکت سیگنال ها در جهت بلوک های این شبکه مشخص می شود. ساختار این شبکه و وزن های آن با استفاده از الگوریتم بهینه سازی ازدحام ذرات (PSO) بهینه سازی می گردد. ورودی BBNN نیز به عنوان برداری تلقی می شود که المان های آن ویژگی های استخراج شده از سیگنال های ECG هستند. در این مقاله ضریب تابع هرمیت و ویژگی های زمانی که از سیگنال های ECG استخراج شده اند سبب ایجاد بردار ورودی BBNN می شوند. پارامترهای BBNN با استفاده از الگوریتم PSO بهینه سازی می گردند که سبب فایق آمدن بر تغییرات احتمالی سیگنال های ECG به واسطه گوناگونی های زمانی یا گوناگونی های شخص به شخص خواهد شد. بنابراین BBNN آموزش دیده دارای یک ساختار خاص برای هر فرد می باشد. ارزیابی عملکرد با استفاده از بانک اطلاعات نامنظمی ضربان قلب MIT-BIH نشان دهنده دقت بالای دسته بندی به میزان ۹۷ درصد می باشد.
کلمات کلیدی: شبکه عصبی بلوک مبنا (BbNNs)، بهینه سازی ازدحام ذرات (PSO)، سیگنال های الکتروکاردیوگرام (ECG)، ویژگی های خاص بیمار، دسته بندی سیگنال ECG
دسته بندی سیگنال ECG شبکه عصبی ازدحام ذرات
۱- مقدمه
سیگنال های الکتروکاردیوگرام یا سیستم ثبت ضربان قلب به وسیله برق (ECG) نشان دهنده فعالیت الکتریکی قلب با استفاده از الکترودهایی می باشد که به نقاط خاصی از بدن متصل می شوند. برخی از این الکترودها قابلیت بکارگیری سیگنال های الکتریکی را داشته و برخی از آنها نیز قابلیت خواندن اطلاعات مربوط به سیگنال های خروجی را دارند. هر گونه تغییر در ظاهر این سیگنال معرف بروز یک بیماری قلبی تلقی می شود. متخصصین پزشکی دقیقاً قابلیت مشاهده این ویژگی های ظاهری را دارند، اما در برخی از موارد دو سیگنال دارای الگوهای مشابهی می باشند ولی در عین حال نشان دهنده بیماری های متمایزی هستند (شکل ۱ الف و ب)، و در برخی از موارد دیگر، دو سیگنال ممکن است دارای الگوهای مختلفی باشند اما معرف بیماری یکسانی هستند (شکل الف و ج). در چنین مواردی متخصصین پزشکی به آسانی قابلیت تشخیص بیماری را نخواهند داشت. بنابراین صرف استفاده از سیگنال های ECG و ظاهر آنها را نمی توان به عنوان یک رویکرد دقیق جهت تشخیص بیماری های محتمل در نظر داشت. استفاده از ویژگی های دیگر این سیگنال ها به عنوان یک مؤلفه مفید جهت تشخیص بیماری ها تلقی می گردد. یک سری از روش های استخراج ویژگی سیگنال ECG در این مبحث ارائه شده است نظیر ویژگی های مورفولوژیکی یا ریخت شناسی [۱]، بازه های زمانی ضربان قلب [۲]، ویژگی های حوزه فرکانس / بسامد [۳]، و ضرایب تبدیل موجک [۴، ۵]. صرفاً برای یک روز، اطلاعات ECG متشکل از هزاران ضربان قلب می باشد و بنابراین برای متخصصین پزشکی دنبال نمودن کلیه این سیگنال ها به منظور تشخیص بیماری های محتمل بسیار مشکل می باشد. بر این مبنا، ما نیازمند یک سیستم نظارتی اتوماتیک می باشیم که قابلیت دنبال نمودن و بررسی ضربان قلب به صورت بسیار سریع را داشته باشد. آنالیز افتراقی خطی [۶]، ماشین های بردار پشتیبان [۷]، شبکه های عصبی مصنوعی (ANNs) [8]، ترکیبی از روش های تخصصی [۹]، روش های آماری مارکوف [۱۰] به عنوان مثال هایی از روش هایی در ارتباط با مطالعه دسته بندی بیماری های قلبی به شمار می آیند که در چنین مباحثی ارائه گردیده اند.
…
در این تحقیق سیگنال های ECG که از بانک اطلاعات ضربان نامنظم قلب MIT-BIH انتخاب شده اند [۱۵]، به پنج گروه تقسیم می شوند (یک گروه نرمال و چهار گروه غیرنرمال) که بر مبنای توصیه های AAMI می باشند [۱۶]. کلاسیفایر طراحی شده یک ساختار بهینه منحصر به فرد برای هر فرد می باشد. BBNNs ها از ویژگی های مورفولوژیکی (ویژگی های مبتنی بر تابع انتقال هرمیت) و ویژگی های زمانی (نسبت های بازه ـ RR) استفاده می نمایند که از سیگنال های ECG استخراج شده است. نمای سیستم پیشنهادی برای دسته بندی سیگنال ECG در شکل ۲ نشان داده شده است.
این مقاله به شرح ذیل سازماندهی شده است: بخش دو ارائه دهنده مفاهیم اصلی BBNN می باشد که به عنوان کلاسیفایر مورد استفاده قرار گرفته است. در بخش سیگنال های ECG، پیش پردازش اطلاعات ECG و روش استخراج ویژگی ها از این سیگنال ها مورد بررسی قرار خواهد گرفت. بخش چهار نیز معرف یک روش برای طراحی یک BBNN در برنامه متلب می باشد و بخش پنج روش جدیدی را برای بهینه سازی BBNN طراحی شده ارائه نموده و همچنین دسته بندی رکوردهای ECG نیز مورد بحث قرار خواهند گرفت، در انتها، در بخش شش نتیجه گیری این مقاله ارائه خواهد شد.
دسته بندی سیگنال ECG شبکه عصبی ازدحام ذرات
۲- شبکه عصبی بلوک مبنا
یک شبکه عصبی بلوک مبنا [۱۲] به وسیله ساختاری از بلوک ها در دو بعد ارائه شده است. هر بلوک یک شبکه عصبی کوچک با یک لایه ورودی و یک لایه خروجی (بدون هیچ گونه لایه مخفی) می باشد. چهار بلوک مجاور در اطراف هر بلوک وجود داشته و با استفاده از جریان های سیگنال به یکدیگر متصل می شوند. به عبارت دیگر، خروجی های هر بلوک به ورودی های بلوک های مجاور متصل هستند. اولین بلوک و آخرین بلوک در هر ردیف نیز متصل به یکدیگر می باشند. ویژگی ساختاری کلی این شبکه و ساختار داخلی کلیه بلوک ها به صورت همزمان بر مبنای جریان یابی سیگنال در بلوک های شبکه مشخص می گردد. شکل ۳ معرف ساختار BBNN بر حسب اندازه m است که در آن m و n تعداد ردیف ها و ستون های شبکه به ترتیب محسوب می شوند.
دسته بندی سیگنال ECG شبکه عصبی ازدحام ذرات
۳- سیگنال های ECG
در این مقاله برای آموزش و تست کلاسیفایر طراحی شده، بانک اطلاعات ضربان نامنظم قلب MIT-BIH [15] بکار گرفته شده است. این بانک اطلاعات حاوی ۴۸ رکورد می باشد که از ۴۷ نفر حاصل آمده است. هر رکورد حاوی دو کانال سیگنال های ECG (MLII و V5) برای ۳۰ دقیقه است که از اطلاعات ثبت شده ۲۴ ساعته به دست آمده است. سیگنال های پیوسته ECG با استفاده از یک فیلتر باند گذر با یک ویژگی مرتبط از ۰۱ الی ۱۰۰ هرتز فیلتر گردیده و متعاقباً به داده های دیجیتال تبدیل شدند. هر رکورد در این بانک اطلاعات همچنین دارای یک فایل تفسیری می باشد. اطلاعات مرتبط با زمان رخداد ضربان قلب (موقعیت پیک ـ R) یا اطلاعات کلاس ضربانی در فایل تفسیری نوشته می شود. با در نظرگیری صد نمونه در حول پیک ـ R، ما قابلیت تشخیص ضربان قلب را خواهیم داشت. در این بانک اطلاعات چهار رکوردی که به عنوان ویژگی های اصلی قلمداد شده مشخص گردیده و بقیه ۴۴ رکورد مورد استفاده قرار گرفته اند. اولین بیست رکورد (با شماره از ۱۰۰ الی ۱۲۴) شامل نمونه های شاخص اطلاعات بالینی روتینی بوده و ما از آنها به عنوان مجموعه آموزشی مشترک استفاده نموده ایم. ۲۴ رکورد باقیمانده (شماره از ۲۰۰ الی ۲۳۴) حاوی ضربان های نامعلومی نظیر ضربان های غیرعادی بطنی و فوق بطنی می باشند. ما از این اطلاعات به عنوان مجموعه آموزشی استفاده نمودیم.
در این مقاله ما از سیگنال های اصلاح شده ـ سربی II (MLII) برای کلیه اطلاعات استفاده نمودیم که بر مبنای توصیه AAMI هر ضربان ECG را می توان به یکی از پنج کلاس مختلف دسته بندی نمود. هر کلاس نشان دهنده یک نوع از ضربان قلب می باشد و با N (ضربان نرمال)، VEB (ضربان بطنی اکتوپیک)، F (ضربان فیوژن) و Q (ضربان بدون دسته بندی) نشان داده می شوند. به واسطه گوناگونی سیگنال های ECG برای اشخاص مختلف، یک کلاسیفایر منحصر به فرد (BBNN) برای هر فرد طراحی شده است. شبکه عصبی با دو مجموعه آموزشی ارائه شد. اولین مجموعه برای کلیه اشخاص مشترک بوده و حاوی ۲۰۰ نمونه ضربان قلب می باشد که به صورت تصادفی از اطلاعات ۱۰۰ الی ۱۲۴ نمونه (۶۰ نمونه برای N، ۶۰ نمونه برای VEB، ۶۰ نمونه برای SVEB، کلیه ۱۳ نمونه برای F، و کلیه ۷ نمونه برای Q) به دست آمده است. مجموعه دوم حاوی کلیه نمونه ها در اولین پنج دقیقه اطلاعات ثبت شده ECG هر فرد است [۱۸]. اطلاعات باقیمانده (۲۰۰ ـ ۲۳۴) جهت مجموعه آزمایشی برای ارزیابی عملکرد فرآیند دسته بندی بکار گرفته شده است.
۳ـ۱٫ پیش پردازش
غالب سیگنال های ECG شامل نویز می باشند. این نویزها به واسطه موقعیت محیطی یا شرایط مربوط به ضبط سیگنال ها و نوسانات مربوط به توان AC هستند. دو مورد از مهمترین نویزها نوسانات برق یا توان AC [19] و دیریفت خط پایه [۲۰] به شمار می آیند که در بخش های ذیل معرفی خواهند شد.
۳ـ۱ـ۱٫ نویز خط برق
این نوع از نویز به عنوان یک سیگنال در فرکانس ۵۰ یا ۶۰ هرتز به شمار آمده و پهنای باند آن کوچکتر از یک هرتز می باشد. دامنه این نویز تا ۵۰ درصد سیگنال ECG می باشد و در ترکیب با این سیگنال به شمار می آید. شکل ۵ الف نشان دهنده سیگنال با نویز و شکل ۵ ب معرف همان سیگنال پس از حذف نویز خط برق می باشد.
یک فیلتر Butterworth پایین گذر با چهار قطب و با فرکانس قطع نرمال شده ۰٫۱ p rad/sample ـ نمونه به عنوان سیستم حذف نویز خط برق مورد استفاده قرار گرفته است [۱۹].
۳ـ۱ـ۲٫ دریفت خط پایه
این نوع از نویز در حقیقت جزء نویزهای فرکانس پایین (۱۵/۰ الی ۳/۰ هرتز) به شمار می آید. علت این نویز تنفس بیمار می باشد و سبب تغییر خط مبنای سیگنال های ECG خواهد شد. در این مطالعه ما از یک فرآیند تبدیل موجک [۲۱] برای حذف نویز سیگنال های ECG استفاده می نماییم [۲۰]. ما نسبت به تجزیه سیگنال ECG اصلی به تقریب می نماییم. از آنجایی که این نوع از نویز فرکانس پایین به شمار می آید، اجزای متناظر و ضرایب جزئیات مرتبط تا ۸ مرحله با استفاده از تبدیل موجک گسسته Dabachies6 ا قدام فرکانس پایین سیگنال تجزیه شده (A8، D8) از سیگنال های ECG اصلی حذف می شوند.
۳ـ۲٫ استخراج ویژگی
شاخص سیگنال ها با توابع اصلی به عنوان یک روش کارآمد برای استخراج ویژگی های سیگنال ها به شمار می آید [۲۲، ۲۳]. یکی از توابع اصلی مفید برای شاخص پیچیده QRS تابع هرمیت است [۲۴، ۲۵]. از آنجایی که گسترش تابع پایه هرمیت دارای یک پارامتر پهنا می باشد که متمایز از توزیع QRS مختلف به شمار می آید، این روش برای استخراج ویژگی های سیگنال های ECG بکار گرفته شده است.
در این مطالعه هر مدت QRS با توجه به تابع اصلی هرمیت مشخص گردیده است. ضرایب تابع هرمیت نیز به عنوان المان های بردار ویژگی برای هر ضربان قلب مشخص شده اند. توابع پایه هرمیت بر مبنای معادله ذیل ارائه می شوند:
دسته بندی سیگنال ECG شبکه عصبی ازدحام ذرات
۴- BBNN در برنامه متلب
با توجه به آنکه شبکه عصبی بلوک مبنا در جعبه ابزار متلب تاکنون وجود ندارد، ما می بایست اقدام به تعریف این مورد در متلب نماییم. همانگونه که در بخش دو تشریح شد، ویژگی کلی شبکه و ساختار داخلی کلیه بلوک ها به صورت همزمان بر مبنای جریان این سیگنال در امتداد بلوک های شبکه تعریف می شود. بنابراین لازم است در نظر گرفت که خروجی های یک مرحله ای را نمی توان به صورت همزمان مهیا ساخت، چرا که ورودی یک بلوک به عنوان خروجی یک بلوک دیگر در نظر گرفته می شود. بنابراین لازم است تا زمان ارائه یک خروجی مربوط به بلوک قبلی صبر نمود. بر این مبنا مشخص می گردد که کدام یک از بلوک ها قابلیت مهیاسازی خروجی ها به صورت زودتر از بلوک های دیگر را خواهند داشت. خروجی این بلوک ها را می توان در بلوک های دیگر به عنوان ورودی بکار گرفت. بنابراین در شروع، در مرحله اول، بلوک های دارای یک ورودی و سه خروجی (۳/۱) قابلیت فراهم آوردن خروجی ها را خواهند داشت. به واسطه آنکه در مطالعه کنونی این موضوع در نظر گرفته می شود که شبکه مورد بحث به صورت فیدفوروارد است، بنابراین حداقل یک ورودی هر بلوک آماده می باشد (چه آنکه ورودی ها به عنوان بردار ویژگی برای اولین مرحله در نظر گرفته شوند یا آنکه ورودی ها از مراحل قبلی تغذیه گردند)، بنابراین این نوع از بلوک ها نیازمند آن هستند تا یک ورودی قابلیت مهیاسازی خروجی ها را در ابتدا داشته باشند. متعاقباً، بلوک هایی که نیازمند دو ورودی می باشند (۲/۲) قابلیت فراهم آوردن خروجی ها را خواهند داشت. یک ورودی از مرحله قبلی مهیا شده و یک ورودی از بلوک های مجاور حاصل می شود. در انتها، خروجی بلوک ها که دارای سه ورودی و یک ورودی هستند (۱/۳) را می توان فراهم آورد.
دسته بندی سیگنال ECG شبکه عصبی ازدحام ذرات
۵- یک روش جدید برای بهینه سازی BBNN با استفاده از الگوریتم PSO
۵ـ۱٫ الگوریتم PSO
بهینه سازی ازدحام ذرات در ابتدا به وسیله Dr. Russell C. Eberhart و Dr. James Kennedy در سال ۱۹۹۵ ارائه شد [۱۳]. در این الگوریتم، یک جمعیت ذرات بر مبنای بازگشت به سمت نواحی موفق قبلی حاصل می شود [۱۴].
در این مطالعه الگوریتم PSO برای آموزش شبکه بکار گرفته شده است و به علاوه وظیفه یافتن راه حل بهینه برای مسئله دسته بندی سیگنال های ECG را نیز خواهد داشت. هر راه حل برای این مشکل به عنوان یک ذره در نظر گرفته خواهد شد. ذرات در این الگوریتم دو قانون را رعایت می نمایند: قانون تبادل داده ها و قانون حرکت. هر ذره می بایست موقعیت ذره بهینه را دانسته و به سمت آن ذره حرکت نماید. بر مبنای قانون تبادل داده ها، هر ذره را می توان در ارتباط با ذره بهینه آگاه ساخت و این ذره می بایست از این موضوع آگاه باشد که تا چه میزان و در چه مسیری می بایست جهت حاصل آوردن ذره بهینه حرکت نماید. بر مبنای قانون حرکت، هر ذره اقدام به تغییر موقعیت خود به سمت ذره بهینه می نماید. این دو قانون تحت عنوان اپراتورهای سرعت و موقعیت شناخته می شوند. در طی بهینه سازی، این اپراتورها به روزرسانی شده و هر ذره سرعت خود را به سمت بهترین موقعیت قبلی ذرات و بهترین موقعیت کلی شتاب می بخشد. بهترین موقعیت قبلی ذره نشان دهنده بهترین تجربه شخصی هر ذره تلقی شده و بهترین موقعیت کلی معرف بهترین ذره در جمعیت ذرات می باشد. در هر نسل یک سرعت و موقعیت جدید برای هر ذره بر مبنای معادلات ذیل محاسبه می شود:
۵ـ۲٫ بهینه سازی BBNN
در این مطالعه، ساختار BBNN و وزن های آن به عنوان پارامترهایی به شمار می آیند که می بایست با استفاده از الگوریتم PSO بهینه سازی شوند. در بخش چهار، این مورد تشریح کننده یک بردار برای BBNN می باشد که معرف کلیه وزن ها و ساختار BBNN است. بنابراین، ما می بایست قابلیت بهینه سازی این بردار را داشته باشیم. در این الگوریتم، ما اقدام به ایجاد یک جمعیتی از ذرات می نماییم که هر کدام از آنها به عنوان پاسخی برای مشکل بهینه سازی می باشند. این ذرات را می توان با استفاده از قوانین الگوریتم PSO تغییر داد.
دسته بندی سیگنال ECG شبکه عصبی ازدحام ذرات
۶- نتایج تجربی
تعداد ستون های BBNN مساوی یا بیشتر از تعداد المان های بردار ویژگی می باشد. تعداد ردیف ها نیز می بایست مساوی باشد تا آنکه از ویژگی های مطلوب BBNN جهت حل مشکل اطمینان حاصل شود. در این مطالعه، یک BBNN با اندازه ۲۹ ارائه گردیده است. به طور کلی یک شبکه با اندازه کوچک ترجیح داده می شود. بیماری در پنج کلاس دسته بندی می گردند (N, S, V, F و Q). بنابراین، بردار دارای پنج المان برای خروجی هدف در نظر گرفته می شود. این بردارها برای هر نوع از بیماری ها در جدول ۲ نشان داده شده اند. به علاوه پارامترهایی که در الگوریتم PSO بکار گرفته شده اند نیز در جدول ۳ مشخص گردیده اند. این پارمترها برای کلیه داده های مورد آزمایش یکسان هستند. بر حسب معادله (۱۱) هدف بهینه سازی به حداکثررسانی تابع برازندگی می باشد. شکل ۱۰ نشان دهنده رویه ارزیابی برای کلیه رکوردهای آزمایشی می باشد. الگوریتم PSO 2000 بار برای هر رکورد تکرار می شود. برازندگی حداقلی و حداکثری برای رکوردهای ۲۰۷ و ۲۳۴ به ترتیب حاصل شده و مقدار برازندگی این رکوردها ۷۳/۰ و ۹۴/۰ گزارش شده است.
دسته بندی سیگنال ECG شبکه عصبی ازدحام ذرات
۷- مقایسه عملکرد
برای مقایسه ما دو تحقیق قبلی را در نظر گرفته ایم که از مجموعه داده های یکسان و استانداردهای AAMI استفاده نموده اند. در مرجع [۱۸] الگوریتم PSO برای دسته بندی ضربان قلب بکار گرفته شده است. به علاوه در این تحقیق، برخی از ویژگی های ریخت شناسی و زمانی نیز به عنوان بردار ویژگی مورد استفاده قرار گرفته است. در مرجع [۱۷]، توابع انتقال هرمیت برای استخراج ویژگی بکار گرفته شده و الگوریتم سیر تکاملی نیز برای بهینه سازی دسته بندی مورد استفاده قرار گرفته است. در این دو تحقیق قبلی، مجموعه داده به دو دسته تقسیم شده است که در آن ۲۰ رکورد اول برای تعیین ساختار بهینه کلاسیفایر مورد استفاده قرار گرفته و متعاقباً این کلاسیفایر جهت رده بندی رکوردهای باقیمانده در مجموعه دوم بکار گرفته شده است.
۷ـ۱٫ مقایسه بر مبنای منحنی ROC
ویژگی های عملیاتی گیرنده (ROC) [28] به عنوان یک مؤلفه خاصی به شمار می آید که نشان دهنده عملکرد یک سیستم کلاسیفایر است و به وسیله ترسیم نرخ مثبت کاذب (FPR) در برابر نرخ مثبت صحیح (TPR) ایجاد می شود. منحنی ROC برای این روش ها در زمینه تشخیص VEB و SVEB در شکل ۱۳ برای مقایسه نشان داده شده است. گوشه فوقانی سمت چپ منحنی ROC (TPR = 1, FPR = 0) راه حل بهینه می باشد. بنابراین، منحنی TPR-FPR مرتبط با یک راه حل که نزدیکتر با گوشه فوقانی سمت چپ باشد به عنوان مورد بهتر در نظر گرفته می شود. بر مبنای شکل ۱۳، روش پیشنهادی یک راه حل قابل پذیرش در مقایسه با دو روش دیگر است.
۷ـ۲٫ مقایسه بر مبنای Acc, Sen, SpeوPp
روش دیگر مقایسه بر مبنای دقت کلی، حساسیت، ویژگی های خاص و مقدار بهره وری مثبت این سه روش می باشد. روش پیشنهادی برای تشخیص VEB و SVEB بهتر از دو روش دیگر می باشد. این مقایسه ها در جداول ۱۰ و ۱۱ نشان داده شده اند.
۷ـ۳٫ مقایسه بر مبنای تأثیر نویز
در این بخش تأثیر نویز در مقدار برازندگی و راهکاری که بر مبنای آن BBNN قابلیت بازیافت کاربردپذیری خود پس از بکارگیری نویز را خواهد داشت مورد بررسی قرار می گیرد. به همین دلیل، پس از بهینه سازی ساختار BBNN و وزن ها با استفاده از الگوریتم PSO، یک نویز گاوسی پایین با یک SNR به میزان ۵ dB به پارامترهای شبکه اضافه می گردد. در مرجع [۱۷]، سیر تکامل رویه بهینه سازی پس از ۳۰۰۰ بار تکرار حلقه متوقف می گردد. در این نقطه یک نویز گاوسی و یک ویژگی تکاملی بازیافتی به نویز اضافه می گردد تا قابلیت بازیافت کاربردپذیری BBNN به وجود آید. این فرآیند در مرجع [۱۷] نشان داده شده است.
دسته بندی سیگنال ECG شبکه عصبی ازدحام ذرات
۸- نتیجه گیری
در این مقاله سیگنال های الکتروکاردیوگرام در پنج کلاس بر مبنای توصیه های AAMI دسته بندی شده اند. ما از یک سیستم دسته بندی شخصی سازی شده برای این هدف استفاده نمودیم. شبکه عصبی بلوک مبنا مورد استفاده قرار گرفته است که با مجموعه داده های آموزشی آموزش دیده و متعاقباً با استفاده از مجموعه داده های تست نیز مورد آزمایش قرار گرفته است. هر یک از این مجموعه های اطلاعاتی حاوی تعدادی از رکوردهای ECG مرتبط با مجموعه داده MIT-BIH می باشند. ویژگی هایی که از سیگنال های ECG استخراج شده اند به عنوان ورودی های BBNN بکار گرفته شده اند. ضرایب تابع هرمیت و بازه ـ RR نیز به عنوان پارامترهای بردار ویژگی مورد استفاده قرار گرفته اند. روش بهینه سازی ازدحام ذرات به عنوان الگوریتم آموزشی BBNN مورد استفاده قرار گرفته و همچنین از این فرآیند جهت بهینه سازی ساختار BBNN و وزن ها نیز استفاده شده است.
BBNN آموزش دیده با الگوریتم PSO معرف یک سیستم دارای کیفیت بالا برای دسته بندی سیگنال های ECG می باشد. بر مبنای توصیه AAMI، سیگنال های ECG به پنج کلاس دسته بندی شده اند (N, VEB, SVEB, F و Q) و عملکرد دسته بندی نیز با استفاده از چهار برآورد نشان داده شده است (دقت، حساسیت، ویژگی خاص و قابلیت پیش بینی مثبت). این برآوردها به ترتیب ۹۸ درصد، ۴/۸۷ درصد، ۸/۹۸ درصد، ۹/۸۸ درصد برای تشخیص VEB و ۴/۹۷ درصد، ۶/۵۸ درصد، ۹۹ درصد، ۳/۷۱ درصد برای تشخیص SVEB می باشند. در مقایسه با مراجع [۱۷، ۱۸] این برآوردها معرف ارتقاء در تشخیص SVEB می باشند و کیفیت تشخیص VEB نیز به مطلوبیت مراجع [۱۷، ۱۸] است. سرعت همگرایی بسیار بالا است که علت آن را می توان وجود الگوریتم PSO دانست. با توجه به نیاز ما جهت استفاده از کلاسیفایر شخصی سازی شده برای سیگنال های ECG، تعداد زیادی از پارامترها وجود دارند که از یک شخص به شخص دیگر متغیر تلقی می شوند. BBNN به عنوان یک کلاسیفایر کاملاً قابلیت بهره گیری از این تغییرات را داشته و علت آن را می توان این حقیقت دانست که ساختار آن به عنوان یک راه حل بسیار مفید برای این نوع از مشکل دینامیکی تلقی می شود.
لطفا به جای کپی مقالات با خرید آنها به قیمتی بسیار متناسب مشخص شده ما را در ارانه هر چه بیشتر مقالات و مضامین ترجمه شده علمی و بهبود محتویات سایت ایران ترجمه یاری دهید.
