فصل دوم
پیشینه پژوهش
۲-۱- مقدمه
هوشمندسازی فرایند تشخیص بیماریهای قلبی سالها است مورد بحث پژوهشگران تمامی کشورها قرار گرفته است. این فرایند شامل مراحلی است که طی آن سیگنال ECG به عنوان ورودی نرم افزار انتخاب میشود و انتظار این است که نرم افزار با دقت قابل قبولی سلامت یا بیماری و حتی نوع بیماری قلبی را تشخیص دهد. تمامی این نرم افزارها پس از دریافت سیگنال، ویژگیهای مناسب آن را استخراج و انتخاب کرده، سپس به تشخیص نوع بیماری میپردازد. در هر یک از مراحل بیان شده روش های گوناگونی وجود دارد که در این فصل به تحقیقات پیشین و روشی که مورد استفاده قرار گرفته است پرداخته خواهد شد.
معرفی پایگاه داده:
سیگنالهای نارسائی قلبی که از پایگاه داده MIT-BIH گرفته شده است، شامل ۴۸ سیگنال قلب دوکاناله متشکل از ۲۵ مرد از سنین ۳۲-۸۹ سال و ۲۲ زن در سنین ۲۳-۸۹ سال با فرکانس نمونهبرداری ۳۶۰ هرتز و رزولوشن ۱۲ بیت، که حدودا حاوی ۶۵۰۰۰۰ نمونه و تقریبا ۲۷۵۰ ضربان قلب در مدت زمان ۳۰ دقیقه برای هر سیگنال میباشد. بیش از ۱۰۹۰۰۰ ضربان قلب در پایگاه فوق در قالب ۱۵ نارسائی برچسبگذاری شدهاند. از این سیگنالها ۴۵ سیگنال دارای lead II میباشند [۱۱،۲۴].
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت nefo.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))
۲-۲- طبقهبندی سیگنال ECG با بهره گرفتن از موجک و شبکه عصبی
پس از چند مرحله پیش پردازش از تبدیل موجک پیوسته برای استخراج ویژگی های سیگنال میشود. به دلیل زیاد بودن تعداد بردارهای استخراج شده توسط موجک از آنالیز PCA[11] جهت کاهش ابعاد و به عبارتی انتخاب بهترین نمونهها استفاده شده است.
شبکه عصبی چند لایه، طبقهبندی را بر روی شش کلاس که شامل سیگنال نرمال و ۵ اریتمی قلبی که از گروهی خاص از سیگنال ECG بیماران پایگاه داده MIT-BIH انجام داده است. نمودار گرافیکی روش به کار رفته در این تحقیق در شکل ۲-۱ نشان داده شده است]۷[.
شکل ۲-۱ :مراحل طبقه بندی ۶ آریتمی
۲-۳- طبقهبندی سیگنال ECG با استفاده ازموجک و خواص مورفولوژیک و شبکه عصبی
در این پژوهش پس از پیشپردازش، ۱۵ ویژگی زمانی و ۱۵ ویژگی از تبدیل موجک انتخاب شده است و برای کاهش ابعاد این ویژگی ها از روش PCA استفاده شد که نتیجه آن انتخاب ۸ ویژگی از بهترین ویژگیهای هر کلاس بوده است. شبکه عصبی پرسپترون چند لایه و شبکه عصبی پایه شعاعی به صورت ترکیبی طبقهبندی را انجام می دهد. در این تحقیق نشان داده شده است که ساختار ترکیبی شبکه عصبی دارای نتایجی به مراتب بهتر از شبکه عصبی MLP[12] میباشد]۴[.
۲-۴- طبقهبندی سیگنال ECG با بهره گرفتن از تبدیل موجک و شبکه عصبی فازی
در این پژوهش از استخراج ویژگی موجک به همراه شبکه عصبی فازی برای شناسایی انقباضات زودرس بطنی PVC استفاده کردهاند. ایده اصلی و مزیت مهم این تحقیق استفاده مجدد از اطلاعات تولید شده در مرحله تشخیصQRS ، که یک مرحله اساسی برای بیشتر الگوریتم های طبقه بندی ECG است، می باشد. طول مدت زمان کمپلکس QRS در مقیاس سه و سطح زیر کمپلکس QRS در مقیاس چهار به عنوان ویژگی های مشخصه انتخاب شده اند. پس از نرمالیزاسیون، طبقه بندی PVC با بهره گرفتن از شبکه عصبی فازی روی سیگنال ECG تعدادی خاص از بیماران انجام شده است. دو مزیت اولیه استفاده از موجک یکسان برای دو مرحله تشخیص QRS و طبقهبندی PVC، محاسبات کمتر و پیچیدگی کمتر در هنگام پیاده سازی واقعی است]۹[.
۲-۵- طبقهبندی سیگنال ECG با بهره گرفتن از تبدیل ویولت و شبکه عصبی مصنوعی و الگوریتم پرندگان
ویژگیهای شکلی تبدیل موجک، با بهره گرفتن از آنالیز PCA به یک فضای ویژگی با ابعاد کمتر نگاشت داده شده اند، و همچنین ویژگیهای زمانی از داده های ECG استخراج شده اند. برای قسمت تشخیص الگو از شبکههای عصبی مصنوعی رو به جلو که هر کدام با بهره گرفتن از تکنیک الگوریتم پرندگان چند هدفه استفاده شده است. در این تحقیق،سیستم طبقهبندی ارائه شده می تواند با آموزش ساختارهای شبکه بهینه به تغییرات اساسی در الگوهای ECG یک بیمار خاص سازگار شده و بنابراین میتواند به درصد دقتهای بالاتری در دسته دادههای بزرگ دست پیدا کند.
بر روی کل دادههای پایگاه داده میزان میانگین معیار عملکردهای دقت حساسیت برای روش پیشنهادی برای شناسایی ضربانهای اکتوپیک بطنی (VEB) و ضربانهای اکتوپیک بالابطنی (SVEB) انجام شده است]۱۰[.
۲-۶- طبقهبندی آریتمیهای قلبی با بهره گرفتن از SVM
در این پژوهش با تحلیل سیگنال ECG، ویژگیهای آن با ترکیبی از تبدیل ویولت و مدل AR استخراج شده اند. با چنین تلفیقی روش های رایج در تشخیص بیماریهای قلبی بهینه شدهاند. سپس از یک طبقهبندیکننده ماشین بردار پشتیبان با هسته گوسین به منظور طبقهبندی خودکار پنج نوع آریتمی قلبی استفاده شده است]۲[.
۲-۷- طبقهبندی آریتمی دهلیزی بطنی
در این پژوهش یک الگوریتم کارآمد تشخیص و طبقهبندی ECG تک کاناله مبتنی بر تبدیل موجک را اجرا نموده و به منظور تشخیص و طبقهبندی برخی آریتمیهای خطرناک بطنی به کار گرفته و بهبود داده شده است. در اولین مرحله، کمپلکسهای QRS تشخیص داده میشوند. سپس مشخصات هر QRS با شناسایی و تعیین قلههای مو ج های تشکیل دهنده آن و نیز نقاط شروع و پایان کمپلکس QRS تکمیل میگردد. در ادامه قلههای موج هایT ، P و نیز نقاط شروع و پایان هر یک تعیین میشود . این الگوریتم را با بهره گرفتن از دادههای حاشیه نویسی شده معروف MIT/BIH Arrhythmia Database و QT Database ارزیابی شده اند. در الگوریتم پیشنهادی با بکارگیری موجک اسپلاین درجه دوم (quadratic spline)، کمپلکس QRS و همچنین موجهای T و P از انواع نویزها و تداخلهای ناخواسته تفکیک شده و تشخیص آریتمیهای حاد در بانک اطلاعاتی سیگنالهای الکتروکاردیوگرام استاندارد حتی در حضور نویز و تداخلهای ناخواسته نیز امکان پذیر میگردد. با بهره گرفتن از الگوریتم پیشنهادی تشخیص آریتمیهای تاکیکاردی بطنی VT، تاکیکاردی فوق بطنی SVT، فیبریلاسیون بطنی VFIB، فلاتر بطنی VFL، فلاتر دهلیزی AFL، و آریتمی فیبریلاسیون دهلیزی AFIB، انجام شده است]۱۲[.
۲-۸- طبقهبندی سیگنال الکتروکاردیوگرام با طبقهبند ماشین بردار پشتیبان و الگوریتم PSO
در این پژوهش از ویژگیهای زمانی و مورفولوژیک استفاده شده است. آزمایش از روشهای طبقه بند RBF و kNN و SVM به عمل آمده که نتایج برتری طبقهبند SVM با هسته گوسی را نشان میدهد. همچنین برای تنظیم پارامترهای SVM از الگوریتم بهینهساز PSO استفاده شده است که باعث بهبود عملکرد طبقهبندی SVM می شود. در این مقاله از ۲۵۰ و۵۰۰و۷۵۰ ضربان اموزش استفاده شده که با توجه به نتایج آزمایش عملکرد طبقهبند با ۷۵۰ داده اموزش دقت ۹۳.۲۷% است]۳[.
۲-۹- طبقهبندی آریتمیهای قلبی با بهره گرفتن از PSO
در این پژوهش یک سیستم جدید برای طبقهبندی سه نوع ضربان قلب شامل ضربان نرمال و دو آریتمی قلبی ارائه شده است. این سیستم شامل سه ماژول اصلی – یک ماژول استخراج ویژگی، یک ماژول طبقه بندی و یک ماژول بهینهسازی است. در ماژول استخراج ویژگی ترکیبی مناسب از ویژگیهای شکلی و زمانی ایجاد میشود. در ماژول طبقه بندی یک کلاس بند چند طبقه بر پایه ماشین بردار پشتیبان ارائه شده است. در ماژول بهینهسازی از الگوریتم اجتماع ذرات برای یافتن بهترین ویژگیها استفاده شده است. نتایج شبیه سازی دقت مناسبی داشت و این در حالی است که در بدست آمدن این سطح دقت،فقط مقدار کمی از ویژگیها استفاده شده است]۱۴[.
۲-۱۰- رویکرد ترکیبی در طبقهبندی سرطان
مدلی مبتنی بر فیلتر و رپر را جهت دستهبندی نشان گر سرطان برای انتخاب ژن در دادههای ریز آرایه ارائه شده است. نتایج مدل ترکیبی انها که از نرخ فیشر[۱۳] به عنوان فیلتر استفاده میکند،روی چندین مجموعه داده واقعی دقت کلاسبندی بسیار بهتری نسبت به مدل تنها رپر، نشان میدهد. مدل ترکیبی دو مرحلهای ارائه شده در این پژوهش ویژگیهای مناسب را بر اساس معیار اماری حداکثر وابستگی و حداقل افزونگی انتخاب میکند. در مرحله اول مدل از معیار حداکثر ارتباط و حداقل افزونگی برای انتخاب زیر مجموعه بهینه ویژگیها بهره میبرد. در مرحله دوم از الگوریتمهای کلاسیک رو به جلو وعقب گرد برای جستجو در زیر مجموعههای مرحله اول استفاده میکند. نتایج تجربی مدل آنها حاکی از عملکرد بهتر این روش نسبت به روش فیلتر حداکثر وابستگی میباشد]۱۵[.
۲-۱۱- دستهبندی آریتمیهای قلبی بر مینای تبدیل موجک و SVM
در این پژوهش یک روش برای دستهبندی آریتمیهای قلبی ارائه شده است که تعداد ۵ آریتمی از بانک اطلاعاتی Physionet انتخاب شده و آریتمیها به زمان های ۶ ثانیه تقسیم شده و برای هر قطعه زمانی ضرایب تبدیل موجک به عنوان بردار ویژگی آن قطعه محاسبه شده و از ماشین بردار پشتیبان SVM برای دستهبندی آریتمیها استفاده شده است. دستهبندیکنندههای SVM را با بردارهای ویژگی قطعات آموزش داده و برای دستهبندی یک آریتمی مجهول، بردارهای ویژگی زمانی آن به SVM ها اعمال میشود]۱۶[.
۲-۱۲- طبقهبندی سیگنال ECG با بهره گرفتن از خواص مورفولوژی
در این پژوهش یک روش جهت کلاسبندی ضربان از یک مجموعه داده بزرگ با آموزش شبکه عصبی و استفاده از موجک و ویژگیهای زمانبندی ارائه داده اند. آنها دریافتند که مقیاس چهارم از تبدیل ویولت دوتایی با ویولت مرتبه دوم همراه با نرخ فاصله قبل و بعد از R-R در تمایز نرمال و PVC دیگر ضربانها بسیار مؤثر است]۱۷[.
۲-۱۳- انتخاب ویژگی با بهره گرفتن از الگوریتم فاخته باینری
در این پژوهش،انتخاب ویژگی جدید به نام جستجو فاخته دودویی، که در رفتار پرندگان فاخته است پیشنهاد شده است. آزمایشهای انجام شده در زمینه تشخیص سرعت در سیستمهای توزیع قدرت در دو مجموعه داده به دست آمده از یک شرکت برق برزیل انجام شدو توانایی این روش در برابر با چندین تکنیک بهینهسازی دیگر را نشان میدهد]۱۸[.
۲-۱۴- انتخاب ویژگی با بهره گرفتن از الگوریتم فاخته
معمولا برای پیدا کردن مجموعه دادهها با مقدار زیادی از ویژگیها روبرو هستیم که برخی از این ویژگی های مناسب نیستند. در این زمینه، یکی از استراتژیهای مورد استفاده برای مقابله با این مشکل،انجام یک فرایند انتخاب ویژگی به منظور ساخت یک زیر مجموعه از ویژگیهای است که می تواند بهترین مجموعه داده را نشان دهد. مطالعات متعددی با بهره گرفتن از تکنیکهای بهینهسازی الهام گرفته از طبیعت وجود دارد. در این پژوهش، ما از الگوریتم جستجو فاخته (CS) در زمینه انتخاب ویژگی استفاده میکنیم. برای این منظور، یک نسخه باینری از جستجو فاخته، یعنی BCS، بکار گرفته میشود. شبیهسازی و مقایسه BCS با نسخههای باینری از بت الگوریتم، الگوریتم کرم شبتاب و ذرات بهینهسازی انجام شده است که BCS نتایج منطقی و مناسبتری را نشان میدهد]۱۹[.
فصل سوم
معرفی الگوریتمها و روشهای پردازش سیگنال ECG
۳-۱- مقدمه
در این فصل به بررسی تئوری روش پیشنهادی، جزئیات و تشریح فرمولهای مربوطه خواهیم پرداخت که شامل تکنیکها و فیلترهای موجود در بخش پیش پردازش، روشهای استخراج ویژگی از سیگنال پیش پردازش شده، روش انتخاب ویژگیها و طبقهبند میباشد.
۳-۲- آنالیز موجک[۱۴]
موجک یک شکل موج با طول موثر محدود و متوسط صفر است. شکل ۳-۱ موجک را با موج سینوسی که مبنای آنالیز فوریه است مقایسه میکند. موج سینوسی طول محدود ندارد و همواره قابل پیش بینی است، اما موجکها تمایل دارند که نامنظم و نامتقارن باشند.
شکل ۳-۱: سیگنال سینوسی و موجک
آنالیز فوریه تجزیه یک سیگنال به موجهای سینوسی از فرکانسهای مختلف است. به شکل مشابه، آنالیز موجک تجزیه یک سیگنال به نسخههای شیفت یافته و مقیاس شده از موجک اصلی یا مادر میباشد. با توجه به شکلهای موجک و موج سینوسی، می توان دید که سیگنالهای با تغییرات شدید بهتر می تواند با موجک نامنظم آنالیز شوند. همچنین مشخصه های محلی نیز توسط موجک بهتر توصیف می شوند، چون موجکها محدوده محلی دارند. تبدیل موجک پیوسته (CWT) و تبدیل موجک گسسته (DWT) دو تبدیل مهم در آنالیز موجک می باشد]۲۰[.
۳-۲-۱- تبدیل موج پیوسته (CWT)
تبدیل پیوسته موجک روی تابع پیوسته و انتگرال پذیر f(x) نسبت به موجک حقیقی Ψ(x) از رابطه زیر حاصل میشود:
,
(۳-۱)
, s به ترتیب بیانگر مقیاس و زمان هستند]۲۰[.
۳-۲-۲- تبدیل موجک گسسته
ضرایب موجک در هر مقیاس ممکن، مقادیر بسیار زیادی عدد تولید میکند. راه حل کاهش تعداد آنها را می توان از تبدیل گسسته موجک (DWT) بدست آورد.
یک راه مناسب، استفاده از فیلترها در سال ۱۹۸۸ توسط مالات[۱۵] ارائه شد و توسعه یافت]۲۱[.
۳-۳-۲-۲- تجزیه چند سطحی
[یکشنبه 1401-04-05] [ 01:11:00 ق.ظ ]
|