بهبود طبقه‌بندی سیگنال الکتروکاردیوگرام -ECG- با ماشین بردار پشتیبان و بهینه‌سازی اجتماع ذرات -PSO-SVM-

دانشکده برق و کامپیوتر

پایان‏نامه جهت اخذ درجه کارشناسی ارشد
رشته مهندسی پزشکی
عنوان:
بهبود طبقه‌بندی سیگنال الکتروکاردیوگرام -ECG- با ماشین بردار پشتیبان و بهینه‌سازی اجتماع ذرات -PSO-SVM-
استاد راهنما:
دکتر کرمی
دانشجو:
حسین زمانی پاشاکی
زمستان 93
تقدیم به پدر و مادر فداکارم
خدای را بسی شاکریم که از روی کرم پدران و مادرانی فداکار نصیب مان ساخته تا در سایه درخت پر بار وجودشان بیاسائیم و از ریشه آنها
شاخه و برگ گیریم و از سایه وجودشان در راه کسب علم و دانش تلاش نمائیم. والدینی که بودنشان تاج افتخاری است بر سرمان و نامشان
دلیلی است بر بودنمان. آموزگارانی که برایمان زنذگی؛ بودن و انسان بودن را معنا کردند.
سپاس و ستایش بیکران خداوند یگانه رحمان را سزاست که در روی کره ای متحرک ، لرزان، معلق و آویزان، کوه و صحرا رقم زد.
تقدیر و سپاسگزاری
سپاس بی حد و حصر خدای را که خوان نعمت بی دریغش همه ما بندگان را در بر گرفته و با نور وجودی ذات متعال خود، ما خاک نشینان را از پستوهای تاریکی و ضلالت بسوی دانایی، علم و کشف حقیقت هستی و افلاک نشینی شدن رهنمون میسازد.
در انجام این پژوهش، پس از لطف و عنایت باری تعالی از همیاری و همکاری اساتید بزرگواری که همواره راهنماییهای آنها چراغی جهت هدایت اینجانب بود و با همنشینی با این بزرگواران بود که به رهروی دانش مفتخر شدم، مراتب سپاس و قدردانی خود را به این عزیزان اعلام میدارم.

چکیدهآریتمی‌های 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.
کلمات کلیدی: طبقه‌بندی سیگنال الکتروکاردیو گرام، الگوریتم فاخته، طبقه‌بند ماشین بردار پشتیبان.

TOC o “1-3” h z u فصل اول مقدمه PAGEREF _Toc414066774 h 11-1- مقدمه PAGEREF _Toc414066775 h 21-2- تعریف مسئله PAGEREF _Toc414066776 h 21-3- ضرورت و اهمیت تحقیق PAGEREF _Toc414066777 h 31-4- روش تحقیق PAGEREF _Toc414066778 h 31-5- تعریف مفاهیم PAGEREF _Toc414066779 h 4سیگنال الکتریکی قلب: PAGEREF _Toc414066780 h 4پتانسیل عمل عضله قلب PAGEREF _Toc414066781 h 5مرحله استراحت : PAGEREF _Toc414066782 h 5مرحله دپلاریزاسیون : PAGEREF _Toc414066783 h 5مرحله رپلاریزاسیون : PAGEREF _Toc414066784 h 5موج P : PAGEREF _Toc414066785 h 6منحنی QRS : PAGEREF _Toc414066786 h 6موج T : PAGEREF _Toc414066787 h 6قطعه ST : PAGEREF _Toc414066788 h 6بازه QT: PAGEREF _Toc414066789 h 6بیماریهای ضربان قلب : PAGEREF _Toc414066790 h 6فصل دوم پیشینه پژوهش PAGEREF _Toc414066791 h 22-1- مقدمه PAGEREF _Toc414066792 h 10معرفی پایگاه داده: PAGEREF _Toc414066793 h 102-2- طبقه‌بندی سیگنال ECG با استفاده از موجک و شبکه عصبی PAGEREF _Toc414066794 h 102-3- طبقه‌بندی سیگنال ECG با استفاده ازموجک و خواص مورفولوژیک و شبکه عصبی PAGEREF _Toc414066795 h 112-4- طبقه‌بندی سیگنال ECG با استفاده از تبدیل موجک و شبکه عصبی فازی PAGEREF _Toc414066796 h 112-5- طبقه‌بندی سیگنال ECG با استفاده از تبدیل ویولت و شبکه عصبی مصنوعی و الگوریتم پرندگان PAGEREF _Toc414066797 h 122-6- طبقه‌بندی آریتمی‌های قلبی با استفاده از SVM PAGEREF _Toc414066798 h 122-7- طبقه‌بندی آریتمی دهلیزی بطنی PAGEREF _Toc414066799 h 122-8- طبقه‌بندی سیگنال الکترو‌کاردیو‌گرام با طبقه‌بند ماشین بردار پشتیبان و الگوریتم PSO PAGEREF _Toc414066800 h 132-9- طبقه‌بندی آریتمی‌های قلبی با استفاده از PSO PAGEREF _Toc414066801 h 132-10- رویکرد ترکیبی در طبقه‌بندی سرطان PAGEREF _Toc414066802 h 142-11- دسته‌بندی آریتمی‌های قلبی بر مینای تبدیل موجک و SVM PAGEREF _Toc414066803 h 142-12- طبقه‌بندی سیگنال ECG با استفاده از خواص مورفولوژی PAGEREF _Toc414066804 h 142-13- انتخاب ویژگی با استفاده از الگوریتم فاخته باینری PAGEREF _Toc414066805 h 142-14- انتخاب ویژگی با استفاده از الگوریتم فاخته PAGEREF _Toc414066806 h 15فصل سوم معرفی الگوریتم‌ها و روش‌های پردازش سیگنالECG PAGEREF _Toc414066807 h 103-1- مقدمه PAGEREF _Toc414066808 h 173-2- آنالیز موجک PAGEREF _Toc414066809 h 173-2-1- تبدیل موج پیوسته (CWT) PAGEREF _Toc414066810 h 183-2-2- تبدیل موجک گسسته PAGEREF _Toc414066811 h 183-3-2-2- تجزیه چند سطحی PAGEREF _Toc414066812 h 183-2-4- انتخاب موجک مادر PAGEREF _Toc414066813 h 193-2-4- ویژگی‌های استخراج شده از ویولت PAGEREF _Toc414066814 h 213-3- ویژگی زمانی PAGEREF _Toc414066815 h 213-4- استخراج ویژگی با مدل خودبازگشتی(AR) PAGEREF _Toc414066816 h 223-5- استراتژی انتخاب ویژگی PAGEREF _Toc414066817 h 223-6- تحلیل مولفه اصلی (PCA) PAGEREF _Toc414066818 h 233-7- روش بیشترین وابستگی و کمترین افزونگی (mRMR) PAGEREF _Toc414066819 h 243-8- الگوریتم فاخته COA PAGEREF _Toc414066820 h 263-8-2- جزییات الگوریتم بهینه‌سازی فاخته PAGEREF _Toc414066821 h 273-8-2-1- تولید محل‌های سکونت اولیه فاخته‌ها (جمعیت اولیه‌ی جواب‌های کاندید) PAGEREF _Toc414066822 h 293-8-2-2- روش فاخته‌ها برای تخم‌گذاری PAGEREF _Toc414066823 h 303-8-2-3- مهاجرت فاخته‌ها PAGEREF _Toc414066824 h 303-8-2-4- از بین بردن فاخته‌های قرار گرفته در مناطق نا‌مناسب PAGEREF _Toc414066825 h 323-8-2-5- همگرایی الگوریتم PAGEREF _Toc414066826 h 323-9- گسسته‌‌سازی دودویی الگوریتم فاخته PAGEREF _Toc414066827 h 333-10- ماشین بردار پشتیبان(SVM) PAGEREF _Toc414066828 h 333-11- الگوریتم بهینه‌سازی ذرات(PSO) PAGEREF _Toc414066829 h 353-11-1- وزن اینرسی PAGEREF _Toc414066830 h 363-12- شمای کلی سیستم طبقه‌بندی سیگنال ECG PAGEREF _Toc414066831 h 38فصل چهارم روش پیشنهادی طبقه‌بندی سیگنال ECG PAGEREF _Toc414066832 h 174-1- مقدمه PAGEREF _Toc414066833 h 404-2- پیش‌پردازش سیگنال ECG PAGEREF _Toc414066834 h 414-2-1- شیفت سیگنال به انحراف زمینه PAGEREF _Toc414066835 h 424-2-2- حذف مقدار متوسط سیگنال PAGEREF _Toc414066836 h 424-2-3- حذف نویز ناشی از برق شهر PAGEREF _Toc414066837 h 434-2-4- هموارسازی سیگنال PAGEREF _Toc414066838 h 434-2-5- پنجره‌گذاری سیگنال PAGEREF _Toc414066839 h 434-2-6- آزمون همبستگی و حذف ضربان‌های نا‌همبسته PAGEREF _Toc414066840 h 444-2-7- انتخاب داده‌های آموزش و آزمون PAGEREF _Toc414066841 h 444-3- ویژگی‌های سیگنال PAGEREF _Toc414066842 h 474-3-1- استخراج ویژگی PAGEREF _Toc414066843 h 474-3-1-1- ویژگی زمانی PAGEREF _Toc414066844 h 474-3-1-2- ویژگی موجک PAGEREF _Toc414066845 h 474-3-1-3- ویژگی AR PAGEREF _Toc414066846 h 474-3-1-4- شناسایی نقاط پراهمیت سیگنال با استفاده از PCA PAGEREF _Toc414066847 h 484-3-2-ترکیب و ادغام ویژگی‌ها PAGEREF _Toc414066848 h 484-3-2-1- انتخاب ویژگی با PCA PAGEREF _Toc414066849 h 484-3-2-2- انتخاب ویژگی با mRMR PAGEREF _Toc414066850 h 494-3-2-3- انتخاب ویژگی با استفاده از الگوریتم فاخته PAGEREF _Toc414066851 h 494-4- طبقه‌بندی با استفاده از SVM PAGEREF _Toc414066852 h 51فصل پنجم نتیجه‌گیری PAGEREF _Toc414066853 h 555-1- مقدمه PAGEREF _Toc414066854 h 565-2- مقایسه و نتیجه‌گیری PAGEREF _Toc414066855 h 565-4- ارائه پیشنهاد PAGEREF _Toc414066856 h 57منابع : PAGEREF _Toc414066857 h 58
فصل اولمقدمه
1-1- مقدمهسیگنال تابعی از یک یا چند متغیر مستقل است که اطلاعاتی را در مورد یک پدیده فیزیکی یا بیولوژیکی در بردارد. موجودات زنده از سلول گرفته تا ارگان‌های بدن، سیگنال‌هایی با منشاء بیولوژیکی تولید می کنند. این سیگنال‌ها به صورت الکتریکی، مکانیکی یا شیمیایی‌اند. سیگنال‌های الکتریکی نتیجه دپلاریزاسیون سلول‌های عصبی یا ماهیچه قلبی‌اند. صدای تولید شده توسط دریچه‌های قلب نمونه‌ای از سیگنال‌های مکانیکی است. این سیگنال‌های بیولوژیکی یا سیگنال‌های حیاتی برای تشخیص پزشکی و تحقیقات زیست-پزشکی مورد استفاده قرار می‌گیرند.
سیگنال‌های حیاتی در سطح بدن وضعیت درونی و فعالیت الکتریکی بدن را منعکس می‌کنند. بنابراین با استفاده از اندازه‌گیری غیر تهاجمی اطلاعاتی درباره ارگان‌های داخلی فراهم می‌کند. الکتروکاردیوگرام توسط کاردیولوژیست‌ها برای اهداف تشخیصی استفاده می‌شود و اطلاعات کلیدی درباره فعالیت الکتریکی ECG ارائه می‌دهد. بنابراین با نمایش دائمی این سیگنال می‌توان تغییرات فعالیت الکتریکی قلب را در طول زمان مشاهده نمود که این تغییرات،شامل اطلاعات بسیارکلیدی برای پزشکان می باشد]1[.
1-2- تعریف مسئلهقلب یکی از مهمترین اعضای بدن است که وظیفه پمپ کردن خون در سیستم قلبی عروقی را به عهده دارد. چنانچه عملکرد قلب از نظم طبیعی (ریتم) خود خارج شود، گردش خون به خوبی انجام نمی شود و این امر می‌تواند خطرهای جدی برای فرد به دنبال داشته باشد، از این رو تشخیص درست و به موقع آریتمی‌های قلبی از اهمیت به سزایی برخوردار است. یکی از راههای شناخته شده برای تشخیص به موقع این آریتمی‌ها بررسی فعالیت‌های الکتریکی قلب با استفاده از سیگنال‌های الکتروکاردیوگرافی یا به اختصار ECG، است. تغییرات معنی داری از ساختار قلب بیماران و ضربان‌های آن با استفاده از این سیگنال‌ها قابل تشخیص هستند‌]2[. در چندین سال اخیر،طبقه‌بندی خودکار سیگنال‌های الکتروکاردیوگرام توجه زیاد مهندسین پزشکی را به خود جلب کرده است. به واسطه این سیگنال‌ها یک متخصص قلب اطلاعاتی مفید درباره ریتم و عملکرد قلب خواهد داشت. بنابراین آنالیز آن نشان دهنده ی یک راه مؤثر برای شناسایی و درمان انواع بیماری‌های قلبی است]3[.
برای طراحی یک سیستم هوشمند تشخیص آریتمی‌های قلبی از روی سیگنال‌های الکتروکاردیوگرافی،لازم است ابتدا ویژگی های مناسبی از روی این سیگنال‌ها استخراج شود. با توجه به اینکه ضرایب موجک قادرند اطلاعات زمان-فرکانس سیگنال را به طور توام توصیف کنند، یکی از انتخاب ها برای استخراج ویژگی از یک سیگنال الکتروکاردیوگرافی خواهد بود. در این راستا باید تعداد سطوح تجزیه و نوع موجک مشخص شوند. همچنین، نتایج تحقیقات قبلی نشان داده است که برای استخراج ویژگی از سیگنال‌های الکتروکاردیوگرافی خانواده دابیچز و هار در مقایسه با سایر موجک‌ها بسیار مناسب‌تر هستند ]4[. تشخیص پزشک براساس اطلاعات زمانی و ریخت‌شناسی استخراج شده از سیگنال الکتروکاردیوگرافی است. در حالی که گاهی اوقات تحلیل موجک بر روی سیگنال‌های قلبی به تنهایی برای طبقه‌بندی کافی نیست و به همین دلیل استفاده از دیگر ‌مشخصه‌های موجود در سیگنال‌های قلبی برای طبقه‌بندی بیماری‌های قلبی ضروری است. برای توصیف کامل‌تر سیگنال‌های الکتروکاردیوگرافی علاوه بر ویژگی‌های موجک از ویژگی‌های زمانی نیز استفاده می‌شود. ]4[.
1-3- ضرورت و اهمیت تحقیقاز آنجائی که ECG پزشک را قادر میسازد تا فعالیت الکتریکی قلب را ثبت کند، میتوان به کمک آن بیماری‌های قلبی را تشخیص داد. برای از بین بردن خطای انسانی و همچنین استفاده از بانکهای اطلاعاتی موجود در تشخیص دقیق و سریع بیماریها، از آنالیز خودکار کامپیوتری استفاده می‌شود.. بنابراین در این پژوهش سعی در تشخیص خودکار بیماری‌های قلبی شده که در آیندهای قابل پیشبینی سبب حذف اشتباهات انسانی در تشخیص بیماریها می‌شود. هدف از انجام این تحقیق ارائه یک روش مناسب برای تشخیص خودکار 5 بیماری‌ مهم قلبی، شامل نارسائیهای RBBB،LBBB و PVC وAPC وP می‌باشد.
1-4- روش تحقیقدر این پژوهش ابتدا داده‌های مربوط به سیگنال ECG از پایگاه داده تهیه می‌شود و پیش پردازش آن‌ها جهت انتخاب سیگنال‌های مناسب و همچنین پنجره‌گذاری روی آنها انجام خواهد شد. سپس ویژگی های مناسبی استخراج و بر اساس این ویژگی‌ها عمل طبقه‌بندی انجام می‌شود. مراحل فوق با استفاده از نرم افزار متلب صورت خواهد گرفت.
1-5- تعریف مفاهیمسیگنال الکتریکی قلب:
انتشار پتانسیل عمل در قلب، یک جریان ایجاد می‌کند. این جریان به نوبه خود تولید یک میدان الکتریکی می‌نماید که می‌تواند با استفاده از یک سیستم اندازه‌گیری ولتاژ تفاضلی به صورت خیلی ضعیف در سطح بدن بدست آید. سیگنال اندازه‌گیری شده به این طریق، هنگامی که به وسیله الکترودهایی در مکان‌های استاندارد گرفته شود، به عنوان الکتروکاردیوگرام یا به اختصار ECG شناخته میشود. سیگنال ECG معمولی، در رنج 2mv است و برای ثبت آن نیاز به دستگاهی با پهنای باند 0.5 تا 15هرتز می‌باشد. به عبارت

این نوشته در پایان نامه ها ارسال شده است. افزودن پیوند یکتا به علاقه‌مندی‌ها.

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *