تشخيص آريتمي‌هاي قلبي بكمك شبكه‌هاي عصبي با بكارگيري ويژگي‌هاي آشوبي سيگنال نرخ تغييرات قلبي و تكنيك تحليل تمايزي تعميم‌يافته

Heart arrhythmia diagnosis by neural networks using chaotic features of HRV

در اين مقاله يك الگوريتم جديد وموثر جهت طبقه‌بندي آريتمي‌هاي مهم قلبي با استفاده از سيگنال تغييرات ضربان قلب HRV كه داراي مشخصه‌هاي آشوبگونه بهتري نسبت به ECG ‌ست پيشنهاد شده است. در مرحله استخراج ويژگي، علاوه بر ويژگي‌هاي متداول خطي زماني و فركانسي، ويژگي‌هاي غيرخطي (آشوبگون) نيز بررسي شده‌اند. براي تسهيل در تعليم و افزايش دقت طبقه‌بندي‌كننده، از دو تكنيك استفاده شده است: الف) تعداد ويژگي‌هاي استخراج شده توسط تكنيك آناليز تمايزي تعميم‌يافته GDA كاهش يافته است بدون آنكه اين كاهش محتواي اطلاعات موجود را تقليل دهد. ب) به كمك يك نگاشت خودسازمانده SOM براي هر گروه از داده‌ها، داده‌هايي براي تعليم انتخاب شده‌اند كه بيشترين محتواي اطلاعات را در مورد آن گروه داشته باشند. بررسي نتايج نشان مي‌دهد كه ويژگي‌هاي آشوب‌گونه نقش موثري در افزايش دقت سيستم تشخيص آريتمي قلبي دارد بنحوي كه دقت كلي روش از حدود 92? به 97? افزايش يافته است. همچنين اين نتايج مويد اهميت بكارگيري تكنيك‌هاي GDA و SOM به نحو پيش‌گفته است.در مرحله طبقه‌بندي طبقه‌بندهاي MLP و SVM و PNN‌ مورد استفاده قرار گرفته و نتايج مقايسه شده است. در اين مقاله7 نوع آريتمي مختلف VT, VF, LBBB, CHB, AF, AFL, PVC و نيز گروه ضربانهاي طبيعي (NSR) با دقت كلي 97.4 درصد شناسايي و طبقه‌بندي شده‌اند.

in this paper, a novel and effective algorithm for classification of important heart arrhythmia is presented. The proposed algorithm uses heart rate variation (HRV) signal which has better chaotic characteristics. In addition to commonly used linear time domain and frequency domain features, nonlinear (chaotic) features are examined, too. To increase classification accuracy and facilitate learning, two techniques are used: a) extracted features are reduced by generalized discriminant analysis (GDA) and b) by a self organizing map (SOM), the most informant data are selected. Chaotic features help to improve diagnosis accuracy from 92% up to 97%. The results indicate the importance of GDA and SOM in efficiency of proposed algorithm. MLP, SVM and PNN classifiers are examined and compared. The proposed algorithm was able to diagnose 7 arrhythmias PVC, AFL, AF, CHB, LBBB, VF, VT and normal sinus rhythm (NSR) with 97.4% accuracy.