بهبود طبقه‌بندی سیگنال الکتروکاردیوگرام (ECG) با ماشین بردار پشتیبان و بهینه‌سازی اجتماع ذرات (PSO-SVM)
بصورت ورد ودر62صفحه
چکیده
آریتمی‌های قلبی یکی از بیماریهای قلبی بوده که در مورد بیماران بستری شده در بخش مراقبتهای ویژه باید به آن توجه شود. هوشمندسازی فرآیند تشخیص دقیق بیماریهای قلبی مساله‌ای است که سال‌ها مورد توجه پژوهشگران قرار گرفته است. در این تحقیق روشی کارآمد جهت گزینش ویژگی‌های مناسب استخراج شده از سیگنال ECG، بر پایه‌ی الگوریتم باینری فاخته (BCOA) ارائه شده است. ویژگی‌های استخراج شده شامل ویژگی‌های زمانی، AR و ضرایب موجک است که تعداد این ویژگی‌ها با استفاده از عملگر mRMR یا PCA کاهش داده می‌شود BCOA ،مجموعه‌هایی از ویژگی تشکیل می‌دهد و همواره در پی یافتن مجموعه‌ای شایسته از تمامی ویژگی‌ها است. ارزیابی این مجموعه از ویژگی‌های ا‌نتخاب شده توسطBCOA با اعمال به طبقه بند SVM بررسی می‌شود. سپس الگوریتم PSO جهت بهینه‌سازی پارامترهای SVM اعمال می‌شود. به کمک شبیه‌سازی کامپیوتری،صحت کلی سیستم برای شناسایی 6 نوع ریتم قلبی %97/98 به دست آمد که در مقایسه دقت حاصل شده با پژوهش‌های پیشین،کارایی مطلوب روش پیشنهادی را نشان می‌دهد.
سمینار رشته برق باعنوان:بهبود طبقه‌بندی سیگنال الکتروکاردیوگرام (ECG) با ماشین بردار پشتیبان و بهینه‌سازی اجتماع ذرات (PSO-SVM)