این محصول در قالب پی دی اف و 61 صفحه می باشد.
سمینار کارشناسی ارشد مکانیک روش خوشه بندی (Clustering) بعنوان یکی از شاخه های یادگیری غیر نظارتی (Unsupervised) و الگوریتم های مختلف مورد اسـتفاده بمنظور طبقه بندی آریتمی های قلبی
این سمینار جهت ارائه در مقطع کارشناسی ارشد مکانیک-طراحی کاربردی طراحی و تدوین گردیده است. و شامل کلیه موارد مورد نیاز سمینار ارشد این رشته می باشد. نمونه های مشابه این عنوان با قیمت بسیار بالایی در اینترنت به فروش می رسد.گروه تخصصی ما این سمینار را با قیمت ناچیز جهت استفاده دانشجویان عزیز در رابطه به منبع اطلاعاتی در اختیار شما قرار می دهند. حق مالکیت معنوی این اثر مربوط به نگارنده است. و فقط جهت استفاده از منابع اطلاعاتی و بالا بردن سطح علمی شما در این سایت قرار گرفته است.
چکیده :
بیماری های قلبی هر ساله در جهان تعداد زیادی از انسان ها را از بـین مـی بـرد . آمـار مـرگ و میـر بعلـت
مشکلات قلبی بسیار بیشتر از هر سانحه ویا اتفاق طبیعی است این امر دلیل اصلی توسعه فعالیت های قلبی
و گسترش وسیع آن در حوضه سایر علوم ، نظیر علوم مهندسی بـرای یـافتن راه هـای مـوثر پیشـگیری ایـن
دسته از بیماری ها می باشد. امروزه، روش های مبنتی بر شناسایی آریتمی های قلبـی – عروقـی بـا تکنیـک
های ریاضی و مهندسی، به عنوان ابزار و وسیله ارزشمندی در تشخیص این گونه بیماری ها، کاربرد وسـیع و
گسـترده ای یافتـه اسـت . در ایـن روش هـا بررسـی و تحلیـل سـیگنال الکتروکـاردیوگرام
(ECG) یکـی از مهمترین و کاراترین راه های تشخیص بیماری های قلبی می باشد .
تاکنون روش های متعددی جهت تشخیص و طبقـه بنـدی شـکل مـوج هـای بطنـی (کمـپلکس QRS در )
سیگنال ECG ارائه شده است. از جمله این روش ها می تـوان از روش هـای طبقـه بنـدی ن ظـارتی
و غیـر نظارتی نام برد. در روش های طبقه بندی نظارتی، معمولاً شکل موج نماینده معلـوم بـوده و بـا اسـتفاده از
یک روش مناسب، میزان شباهت یک موج ورودی با شکل موج نماینده موجـود مقایسـه شـده و در بهتـرین
طبقه خود جای می گیرد. بر خلاف روش های نظارتی، در روش های غیر نظارتی، معمولاً شـکل مـوج هـای
نماینده معلوم نیست و ابتدا بایستی این شکل موج ها استخراج شوند که اصطلاحاً به این روش خوشه بندی
گفته می شود.
هدف از تحقیق حاضر، مطالعه در مورد روش های مختلف طبقه بندی غیر نظارتی استفاده شـده بـه منظـور
خوشه بندی آریتمی های قلبی از یک طرف، و از طرف دیگر آشنایی با روش هـای آکادمیـک خوشـه بنـدی
موجود می باشد .
مقدمه :
بیماری های قلبی هر ساله در جهان تعداد زیادی از انسان ها را از بـین مـی بـرد . آمـار مـرگ و میـر بعلـت
مشکلات قلبی بسیار بیشتر از هر سانحه و یا اتفاق طبیعی است. این امر دلیـل اصـلی توسـعه فعالیـت هـای
علمی و پژوهشی در دانش پزشکی در زمینه بیماری های قلبی و گسترش وسیع و سریع آن در حـوزه سـای ر
علوم نظیر علوم مهندسی برای یافتن راه های موثر پیشگیری این دسته از بیماری ها می باشد .
جستجو و تحقیق در زمینه قلب به قرون وسطی و رنسانس باز می گردد، در ابتدا با قطعه قطعه کـردن قلـب
حیوانات و بررسی آناتومی آنها تحقیقات انجام شده و بدین ترتیب مدل های اولیـه از آنـاتومی و فیزیولـوژی
قلب بوجود آمدند که امروزه با توجه به وسایل تحقیقاتی و سیستم های جدید و مدرن دیگـر قابـل اسـتفاده
نبوده. مدلسازی قلب منجر به تولید دانشی می شود که به کمک آن می توان ارتباط دو جانبه میان سـاختار
قسمت های مختلف قلب و پدیده های فیزیکی مشاهده شده را مورد بحث و بررسـی قـرار داد . یـک کـاربرد
مدلسازی قلب در تحقیقات بیومدیکال، اطلاع از اتفاقات مکانیزم هایی اسـت کـه قلـب بواسـطه آنهـا دچـار
خرابی می گردد ، که خرابی قلب برابر است با مرگ .
ECG1
می تواند بعنوان ابزاری پایه ای جهت تشـخیص اسـتفاده شـده و در برخـی از مـوارد بـرای مـدیریت
بیماری لازم و ضروری است. در بحث ریتم هـای غیـر طبیعـی قلبـی ، بمن ظـور انجـام تشـخیص و مـدیریت
2 بیماری، استخراج ECG ضروری می باشد. در عمل تفسیر ECG موضوع علم بازشناخت الگـو
اسـت ، لـیکن
ECG می تواند بر پایه تعداد کمی از قواعد و قوانین و حقایق مبنایی مورد آنالیز و بررسی قرار گیرد .
پزشکان برای بررسی و آنالیز سیگنال ECG با پرسش هایی روبرو هستند که از جمله آنها می توان به مـوارد
ذیل اشاره کرد :
* آیا به اندازه کافی سیگنال برای تصمیم گیری جمع آوری شده است ؟
* احتمال تشخیص نادرست چقدر است ؟
* سیگنال مورد بررسی واقعاً با چه الگویی از بیمای حداکثر تطابق را دارد ؟
در حالت کلی برای آنکه به سوالات فوق پاسخی با دقت معین داده شود، محاسبات ریاضـی فراوانـی احتیـاج
بوده که گاهی اوقات این محاسبات پیچیده و خسته کننده هستند. بنابرین طراحی الگوریتمی که قابل پیاده
سازی در کامپیوتر بوده و بتواند به سوالات فوق با دقت مشخص پاسخ دهد، مفید خواهد بود.
سمینار کارشناسی ارشد مکانیک روش خوشه بندی (Clustering) بعنوان یکی از شاخه های یادگیری غیر نظارتی (Unsupervised) و