طبقه بندی آریتمی مبتنی بر DSP با استفاده از تبدیل موجک و شبکه عصبی احتمالی

قیمت: 45,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

طبقه بندی آریتمی مبتنی بر DSP با استفاده از تبدیل موجک و شبکه عصبی احتمالی

عنوان لاتین

DSP-based arrhythmia classification using wavelet transform andprobabilistic neural network

بخش بزرگی از طیف تحقیقات زیست پزشکی به تکنیک های پردازش سیگنال الکتروکاردیوگرام (ECG) برای کمک به تشخیص زودهنگام اختصاص داده شده است. با این حال، شایع است که روش های تجزیه و تحلیل ECG گزارش شده محدود به عملیات میزبان PC افلاین باشد. نویسندگان یک روش طبقه بندی آریتمی را ارائه می دهند که بر روی یک پلتفرم پردازش سیگنال دیجیتالی (DSP) برای عملیات خودکار در زمان واقعی به منظور طبقه بندی هشت ضربان ضربان قلب انجام شده است: ریتم سینوسی طبیعی (N)، فیبریلاسیون گوش (AF)، ضربان زودرس دهلیزی (PAC)، بلوک باندل شاخه چپ (LBBB)، بلوک باندل شاخع راست (RBBB)، ضربان زودرس بلوک (PVC)، بلوک قلب سینو آوریکولار (SHB) و سوپراونتریکولار تاکی کاردی (SVT) . الگوریتم از یک فرایند تبدیل موجک بر اساس موجک های درجه دو برای شناسایی امواج الکترومغناطیسی فردی استفاده می کند و یک سری آرایه نشانگر محرک به دست می آورد. طبقه بندی با استفاده از یک شبکه عصبی احتمالی انجام می شود. الگوریتم با 17 پرونده ECG که از مخزن Physio Net به دست می آید، آزمایش شده است. روش طبقه بندی پیشنهادی در ابتدا در MATLAB مورد آزمایش قرار گرفت و نتایج آن با داده های آنالوگ معادل داده شده به یک پروتکل جمع آوری داده های ECG مبتنی بر DSP از طریق یک ژنراتور شکل موج دلخواه مقایسه شد. نتایج حاصل از آزمون های ماتریس سردرگمی، دقت طبقه بندی آنلاین را به ترتیب 92.69٪ (AF)، 97.15٪ (N)، 76.82٪ (PAC)، 91.06٪ (LBBB)، 5/87٪ (RBBB)، 71.04٪ (PVC) 91.94٪ (SHB) و 95.45٪ (SVT)، میزان کلی رتبه بندی را 92.746٪ و توافق 100٪ را بین پیاده سازی MATLAB و on-line DSP داد. نتایج نشان می دهد که روش و نمونه اولیه ارائه شده ممکن است برای اجرای برنامه های کاربردی سنجش پوشیدنی برای تشخیص واقعی در زمان واقعی باشد.

A large part of the biomedical research spectrum is dedicated to develop electrocardiogram (ECG) signalprocessing techniques to contribute to early diagnosis. However, it is common to find that ECG analysismethods reported are confined to off-line PC host operation. The authors present an arrhythmia classifi-cation method implemented on a Digital Signal Processing (DSP) platform intended for on-line, real-timeambulatory operation to classify eight heartbeat conditions: normal sinus rhythm (N), auricular fibrilla-tion (AF), premature atrial contraction (PAC), left bundle branch block (LBBB), right bundle branch block(RBBB), premature ventricular contraction (PVC), sinoauricular heart block (SHB) and supraventriculartachycardia (SVT). The algorithm uses a wavelet transform process based on quadratic wavelets for iden-tifying individual ECG waves and obtain a fiducial marker array. Classification is conducted by means of aProbabilistic Neural Network. The algorithm is tested with 17 ECG records obtained from the PhysioNetrepository. The proposed classification procedure was tested initially on MATLAB and the results wherecompared with the equivalent analogue data fed to a DSP-based ECG data acquisition prototype throughan arbitrary waveform generator. The results derived from confusion matrix tests yielded on-line clas-sification accuracy of 92.69% (AF), 97.15% (N), 76.82% (PAC), 91.06% (LBBB), 87.5% (RBBB), 71.04% (PVC),91.94% (SHB) and 95.45% (SVT), overall classification rate of 92.746% and 100% agreement between theMATLAB and on-line DSP implementations. The results suggest that the method and prototype presentedmay be suitable for being implemented on wearable sensing applications auxiliary for on-line, real-timediagnosis.