تشخيص آريتمي‌هاي قلبي به كمك مدل ديناميكي سيگنال قلب و روش‌هاي مبتني بر پردازش نرم

Detection of Cardiac Arrhythmias Using ECG Dynamic Model and Soft Computing Techniques

در اين مقاله از مدل ديناميكي سيگنال الكتروكارديوگرام (ECG) و روش‌هاي مبتني بر پردازش نرم براي تشخيص آريتمي‌هاي قلبي استفاده شده است. مشخصه‌هاي به كار گرفته شده در كلاس‌بندي، پارامترهاي مدل دينامكي ECG است كه از روش حل معكوس ‌ با استفاده از روش‌هاي بهينه‌سازي به دست آمده‌اند‌. به منظور تسريع استخراج پارامتر‌هاي مدل ديناميكي، ابتدا جداسازي ضربان صورت گرفته است. الگوريتم‌هاي بهينه‌سازي ژنتيك و ازدحام ذرات براي حل معكوس و استخراج پارامترها استفاده شده است. در اين كار، كارايي دو مدل ديناميكي، در سرعت و دقت تشخيص مورد بررسي و مقايسه قرار گرفته است. در بخش كلاس‌بندي، از روش‌هاي ANFIS و FCM در كنار روش كاهش ابعاد PCA براي بهبود دقت كلاسبندي استفاده شده است. نتايج به دست آمده نشان مي‌دهد به كارگيري روش ANFIS با داده‌هاي به دست آمده از بهينه‌سازي PSO و مدل ساده مك‌شري بهترين تشخيص را با دقت 99 ٪ و حساسيت 11/99 ٪ در بر دارد. همچنين به كارگيري ساختار پيشنهادي، سرعت استخراج پارامترهاي مدل را به طور قابل ملاحظه‌اي افزايش داده است.

This study investigates a nonlinear model-based feature extraction approach for the accurate classification of four types of heartbeats. The features are the morphological parameters of ECG signal derived from the nonlinear ECG model using an optimization-based inverse problem solution. In the model-based methods, high feature extraction time is an important issue. In order to reduce the feature extraction time, a new structure was employed in the optimization algorithms. Using the proposed structure has considerably increased the speed of features extraction. In the following, the effectiveness of two types of optimization methods (genetic algorithm and particle swarm optimization) and two types of ECG models has been studied and compared in terms of speed and accuracy of diagnosis. In the classification section, the adaptive neuro-fuzzy inference system and fuzzy c-mean clustering methods, along with the principal component analysis data reduction method, have been used for classification. The results obtained reveal that using an adaptive neuro-fuzzy inference system with data obtained from particle swarm optimization and the simplified McSharry model will have less process time and the best diagnosis with a mean accuracy of 99% and a mean sensitivity of 99.11%.