Classification of ECG signals using Hermite functions and MLP neural networks

كلاسه بندي آريتماي قلبي گام مهمي در دستگاه هاي در حال توسعه براي نظارت بر سلامت افراد است. اين مقاله سيستمي متشكل از سه ماژول براي كلاسه بندي ضربان هاي قلب پيشنهاد مي كند. اين سه ماژول شامل ماژول رفع نويز، استخراج ويژگي و كلاسه بندي مي باشد. در بخش اول تبديل موجك ايستا جهت كاهش نويز سيگنال هاي قلب استفاده شده است. در بخش استخراج ويژگي، ويژگي هاي هرميت و سه ويژگي زماني بكار گرفته شده اند سپس شبكه عصبي پرسپترون چندلايه با تعداد لايه هاي مختلف و الگوريتم هاي آموزش متفاوت جهت كلاسه بندي استفاده شدند. هفت فايل از پايگاه داده ي MIT/BIH جهت ارزيابي عملكرد شبكه بكار گرفته شدند. در حالت كلي همه ي الگوريتم هاي بكار گرفته شده زمان آموزش خوبي داشتند با اين وجود الگوريتم RP زمان بهتر و الگوريتم CGP دقت بالاتري نسبت به ساير الگوريتم ها نشان دادند.

Classification of heart arrhythmia is an important step in developing devices for monitoring the health of individuals. This paper proposes a three module system for classification of electrocardiogram (ECG) beats. These modules are: denoising module, feature extraction module and a classification module. In the first module the stationary wavelet transform (SWF) is used for noise reduction of the ECG signals. The feature extraction module extracts a balanced combination of the Hermit features and three timing interval feature. Then a number of multi-layer perceptron (MLP) neural networks with different number of layers and eight training algorithms are designed. Seven files from the MIT/BIH arrhythmia database are selected as test data and the performances of the networks, for speed of convergence and accuracy classifications, are evaluated. Generally all of the proposed algorisms have good training time, however, the resilient back propagation (RP) algorithm illustrated the best overall training time among the different training algorithms. The Conjugate gradient back propagation (CGP) algorithm shows the best recognition accuracy about 98.02% using a little amount of features.