期刊名称:Intelligent Systems in Electrical Engineering
印刷版ISSN:2251-6530
电子版ISSN:2252-083X
出版年度:2011
卷号:2
期号:1
页码:1-16
语种:Persian
摘要:: در ساليان اخير، استفاده از سيستمهای هوشمند در علوم مهندسی و بهويژه در تشخيص بيمارهای مختلف بهطور فزايندهای رو به افزايش است. در اين مقاله نيز يک روش هوشمند ترکيبی برای تشخيص بيماریهای قلبی (آريتمیهای قلبی) ارائه شده است. اساس اين روش بر استفاده از ساختارهای ترکيبی از شبکههای عصبی برای طبقهبندی کارکرد طبيعی و چهار کارکرد غير طبيعی قلب است. در اين ساختارهای ترکيبی، برخی از شبکههای عصبی بهعنوان ميانجی و برخی از آنها بهعنوان متخصص استفاده شدهاند. در روش پيشنهادی، ابتدا پيشپردازش مناسب برای حذف نويز از سيگنال الکتروکارديوگرافی انجام شده است. سپس، ويژگیهای مختلف زمانی (شامل پانزده ويژگی) و موجک (شامل پانزده ويژگی) از روی سيگنال عاری از نويز استخراج و با توجه به زياد بودن تعداد ويژگیهای انتخاب شده، از روش تحليل مولفههای اصلی برای ادغام اين ويژگیها و کاهش ابعاد فضای ويژگی به هشت بعد استفاده شده است. در ادامه، ساختارهای ترکيبی پيشنهاد شده از شبکههای عصبی پرسپترون چندلايه و شبکههای عصبی پايهشعاعی برای طبقهبندی مناسب آريتمیها آموزش داده و کارايی آنها ارزيابی شده است. نتايج حاصل از پيادهسازی روی دادههای برچسب خورده پايگاه داده MIT/BIH ، کارآيی بهتر روش پيشنهادی در مقايسه با روشهای قبلی در تشخيص آريتمیهای قلبی را نشان میدهند.
其他摘要:In recent years the use of intelligent systems in science and engineering, especially in the diagnosis of disease, is increasingly growing. In this paper a smart way to diagnose heart disease (cardiac arrhythmias) is presented. This method is based on a combination of structures using neural networks for classification of normal operation and four abnormal heart functions. In the combination of these structures, some neural networks as a mediator, and some of them have been used as a specialist. In the proposed method firstly for removing noise from ECG signal, preprocessing was performed. The various time features (including fifteen properties) and wavelet features (includes fifteen feature) are extracted from the noise free signal and given the large number of selected features, principal components analysis is used for feature reduction to eight features. The proposed structures of MLP neural networks and RBF neural networks are appropriately trained for classification of arrhythmias and their performance has been evaluated. The results of the implementation of the proposed method on MIT / BIH database show the better performance in the diagnosis of cardiac arrhythmias compared to previous approaches.