طبقه بندي سيگنال هاي الكتروكارديو گرافيك در بيماران صرعي با استفاده از شبكه عصبي بازگشتي المان

هدف از اين مطالعه ارزيابي عملكرد شبكه هاي عصبي بازگشتي (RNNs) و پرسيترون چند لايه (MLPNN) در طبقه بندي سيگنال هاي الكتروكارديوگرام است. بدين منظور از ضربان هاي قلبي نرمال و صرعي موجود در پايگاه داده MIT-BIH استفاده شد. براي آموزش شبكه ها، ويژگي هاي ضرايب ويولت و نماهاي لياپانوف در هر ضربان استخراج شد. صحّت كل و ميانگين مربّعات خطا به عنوان معياري براي ارزيابي عملكرد شبكه ها در نظر گرفته شد. بهترين نتايج يا شبكه عصبي بازگشتي المان و الگوريتم آموزش لونيرگ- ماركوارت يا 8 نرون در لايه مخفي حاصل شد. صحّت طبقه بندي در اين شبكه 100% بوده است. در حالي كه شبكه عصبي پروسپترون چند لايه، يا ساختاري پيچيده تر (15 نرون در لايه مخفي) ضربان هاي نرمال و صرعي را با صحّت 96.9% طبقه بندي نمود. نتايج مطالعه حاضر نشان مي دهد كه شبكه عصبي بازگشتي المان يا به كارگيري ويژگي هاي تركيبي ضرايب ويولت و نماهاي لياپانوف مي تواند در طبقه بندي ضربان هاي قلبي نرمال و صرعي مفيد واقع شود.