Abstract
The purpose of this paper is the classification of ECG heartbeats of a patient in five heartbeat types according to AAMI recommendation, using an artificial neural network. In this paper a Block-based Neural Network (BBNN) has been used as the classifier. The BBNN is created from 2-D array of blocks which are connected to each other. The internal structure of each block depends on the number of incoming and outgoing signals. The overall construction of the network is determined by the moving of signals through the network blocks. The Network structure and the weights are optimized using Particle Swarm Optimization (PSO) algorithm. The input of the BBNN is a vector which its elements are the features extracted from the ECG signals. In this paper Hermit function coefficient and temporal features which have been extracted from ECG signals, create the input vector of the BBNN. The BBNN parameters have been optimized by PSO algorithm which can overcome the possible changes of ECG signals from time-to-time and/or person-to-person variations. Therefore the trained BBNN has an unique structure for each person. The performance evaluation using the MIT-BIH arrhythmia database shows a high classification accuracy of 97%
چکیده
هدف این مقاله، طبقه بندی ضربان های قلب ECG یک بیمار به صورت پنج نوع ضربان قلب مطابق با توصیه AAMI است که با استفاده از شبکه عصبی مصنوعی صورت می گیرد. در این مقاله، شبکه عصبی بلوکی (BBNN) به عنوان طبقه بندی کننده مورد استفاده قرار می گیرد. BBNN از 2-D آرایه بلوکی تشکیل می شود که به همدیگر متصل هستند. ساختار داخلی هر بلوک، به تعداد سیگنال های ورودی و خروجی بستگی دارد. ساختار کلی شبکه، با حرکت سیگنال ها از طریق بلوک های شبکه تعیین می شود. ساختار و وزن های شبکه با استفاده از الگوریتم ازدحام ذرات (PSO) بهینه سازی می شوند. ورودی BBNN یک بردار است که مولفه های آن، ویژگیهای استخراج شده از سیگنال های ECG هستند. در این مقاله، ضریب تابع هرمیتی و ویژگی های زمانی که از سیگنالهای ECG استخراج شده اند، بردار ورودی BBNN را تولید میکنند. پارامترهای BBNN با الگوریتم PSO بهینه می شوند که میتواند بر تغییرات احتمالی سیگنال های ECG از یک زمان به زمان دیگر یا از شخصی به شخص دیگر فائق آیند. بنابراین، BBNN تعلیم دیده، یک ساختار یکتا برای هر شخص دارد. ارزیابی عملکرد با استفاده از مجموعه داده های MIT-BIH دقت ردهبندی بالای 97% را نشان می دهد.
1-مقدمه
سیگنال های الکتروکاردیوگرام (ECG) فعالیتهای الکتریکی قلب را با استفاده از برخی الکترودهایی که به نقاط خاص بدن متصل می شوند، نشان می دهند. برخی از این الکترودها، سیگنالهای الکتریکی اعمال میکنند و برخی از آنها، سیگنال های خروجی را می خوانند. هر تغییری در ظاهر سیگنال، ممکن است نشان دهنده بیماری قلبی باشد. متخصصان پزشکی می توانند این مشخصات را ببینند اما در برخی موارد، دو سیگنال طرحهای مشابهی دارند اما بیماری های متفاوتی را نشان می دهند (شکل 1(a) و (b)) و در برخی موارد دیگر، دو سیگنال، طرح های متفاوتی دارند اما یک بیماری را نشان می دهند (شکل 1(a) و (c)). در این موارد، متخصصان پزشکی نمی توانند به آسانی این بیماری ها را تشخیص دهند. بنابراین، تنها استفاده از ظاهر سیگنال های ECG، روش دقیقی برای شناسایی بیماریهای احتمالی نیست. استفاده از دیگر ویژگی های این سیگنال ها ممکن است به شناسایی بیماری کمک کند. چند مورد از روشهای استخراج ویژگیهای سیگنال ECG مانند ویژگی های مورفولوژیکی [1]، بازههای زمانی ضربان قلب [2]، ویژگیهای دامنه فرکانس [3] و ضرایب تبدیل موجک [4، 5] در مقالات ارائه شده اند. داده های ثبت شده ECG که تنها متعلق به یک روز هستند، متشکل از هزاران ضربان قلب هستند و براید متخصصان پزشکی بسیار دشوار است که همه سیگنال ها را دنبال کنند تا بیماریهای ممکن را شناسایی کنند. بنابراین، ما به سیستم نظارت خودکاری نیاز داریم که بتواند همه این ضربانهای قلبی را بسیار سریع دنبال و مطالعه کند. تحلیل تشخیصی خطی [6]، ماشین های بردار تکیه گاه [7]، شبکه های عصبی مصنوعی (ANN) [8]، روش ترکیب کارشناسان [9]، و روش های مارکوف آماری [10] مثال هایی از روشهای مطالعه و ردهبندی بیماری های قلبی هستند که در این مقالات پیشنهاد شده اند...