کلاسه بند مبتنی برSVM و KNN جهت تشخیص نارسایی های قلبی براساس مشخصه های استخراج شده از الکتروکاردیوگرام
کلاسه بند مبتنی برSVM و KNN جهت تشخیص نارسایی های قلبی براساس مشخصه های استخراج شده از الکتروکاردیوگرام
لیلاغفوری1 علی جبرئیلی2
1) دانشجوی کارشناسی ارشد کامپیوتر گرایش هوش مصنوعی دانشگاه خیام
2) استاد یار دانشگاه خیام مشهدa
محل انتشار :
اولین کنفرانس بین المللی توانمندسازی کسب و کارهای فناورانه و راهکارهای پیشرفت در تکنولوژی و مهندسی(tiet2019.ir)
چکیده :
تشخیص آریتمیهای قلبی با پردازش، تفسیر و تحلیل سیگنالهای الکتروکاردیوگرام قلبی امکان پذیر هست. توسعهء روشهای سریع و دقیق طبقه بندی خودکار الکتروکاردیوگرام برای تشخیص بالینی بیماریهای قلبی بسیار ضروری است.هدف این پژوهش نیز، تحلیل سیگنالهای قلب به منظور طبقه بندی آریتمی میباشد. آریتمی که در اینجا استفاده شده یکی از شایع ترین آریتمیهای قلبی که همواره مورد توجه پزشکان قرار گرفته، آریتمی انقباضات زودرس بطنی است. در این پژوهش از پایگاه دادهء MIT-BIH arrhythmia databas به عنوان منبع داده استفاده شده است. برای تشخیص ضربانهای زودرس بطنی در بیماران از ویژگیهای مورفولوژیکی الکتروکاردیوگرام بدست آمده استفاده شده است و پس از استخراج و انتخاب ویژگیها، برای طبقه بندی از روشهای ماشین بردار پشتیبان و روش k نزدیکترین همسایه استفاده شده است. روش ماشین بردار پشتیبان بهترین عمکرد با تابع کرنل rbf برای دادهای آزمون با درصد صحت 96.36 و درصد خطای 0.036 حساسیت 88.38 و برای نرخ اختصاصی بودن 99.11 درصد ، وK نزدیکترین همسایه با فاصله مینکوسفکی بهترین عمکرد با همسایه3 k= برای دادهای آزمون با درصد صحت 02/97 ، درصد خطای 0.029، پارامتر حساسیت 89.67 و نرخ اختصاصی بودن 99.55 برای تشخیص آریتمی عمل کرد.در این الگوریتم مشاهده میشود میتوان خطای تشخیص را کاهش داده ودرصد صحت را افزایش داد. و به پزشک در تشخیص اریتمی زودرس بطنی کمک کند.
کلمات کلیدی :
تشخیص آریتمی. الکتروکاردیوگرام.انقباضات زودرس بطنی. استخراج ویژگی