ارزيابي عملكرد طبقه بندهاي SVM و FFNN در طبقه بندي آريتمي هاي قلبي با ويژگي هاي تبديل موجك

Performance Evaluation of SVM and FFNN Classifier for Cardiac Arrhythmias Classification using Wavelet Features

سيگنال الكتروكارديوگرام، نشان دهنده ي فعاليت الكتريكي قلب و يكي از مهمترين كاربردهاي آن تشخيص آريتمي هاي قلبي است. اما تحليل يك ثبت طولاني از اين سيگنال ، با دشواري هايي رو به رو است. بنابراين نياز به استفاده از روش هاي تشخيص خودكار، روز به روز بيشتر احساس ميشود. در اين مقاله الگوريتمي با استفاده از ويژگي هاي استخراج شده از تبديل موجك و طبقه بند SVM پيشنهاد شده است. براي اين منظور ابتدا نويزهاي سيگنال، توسط فيلتر ديجيتال و تبديل موجك حذف شده، سپس با الگوريتم Pan_Tompkins موجهاي R، استخراج شده اند. در ادامه ويژگي هاي هر ضربان قلب با تبديل موجك گسسته استخراج شده و ابعاد فضاي ويژگي ها با تبديل PCA كاهش يافته است. سپس طبقه بندي با روش SVM و كرنل هاي مختلف آن انجام شده است. از داده هاي پايگاه MIT-BIH arrhythmia و نرم افزار MATLAB جهت ارزيابي كارآيي روش پيشنهادي در مقايسه با روش متداول Feed-Forward Neural Network (FFNN) استفاده شده است. پنج كلاس شامل ضربان هاي نرمال (N) و آريتمي هاي انسداد دسته شاخه چپ (LBBB)، انسداد دسته شاخه راست (RBBB)، انقباض زودرس دهليزي (APB) و ضربان paced (PB)، با صحت 95/68 درصد با SVM در بهترين حالت و صحت 90/30 درصد با FFNN طبقه بندي شده است. نتايج نشان دهنده تشخيص موثرتر آريتمي هاي قلبي توسط روش پيشنهادي است.

The electrocardiographic signal represents the electrical activity of the heart and one of its applications is diagnosis of cardiac arrhythmias. However there are complications against analysis of a long record. Therefore, certain automatic diagnosis methods are needed. In this paper, an algorithm using a combination of wavelet features and SVM classifier is proposed. For this purpose, the signal noises are removed initially by digital filtering and then by wavelet transform. Then, the R waves are extracted through Pan-Tompkins algorithm. Afterwards, the features of each heartbeat are determined by discrete wavelet transform (DWT) and feature space dimension are reduced by PCA transform. Classification is done through SVM with different kernels. MIT-BIH arrhythmia database and MATLAB Software are used for evaluation of the proposed method in comparison with well-known Feed-Forward Neural Network (FFNN). Five groups including normal heartbeats (N), left bundle branch block (LBBB), right bundle branch block (RBBB), atrial premature beats (APB), and paced beat (PB) are classified through SVM with accuracy of 95.68% in the best case while the obtained classification accuracy for FFNN method is 90.30%. Results show that the proposed algorithm can detect cardiac arrhythmias more effectively.