طبقه بندي مستقل از بيمار ضربان قلب با استفاده از روش ‏بازسازي فضاي فاز

تاكنون از روشهاي بسياري براي طبقه بندي خودكار ضربان قلب استفاده شده است؛ اما تعداد بسيار اندكي از اين روش‌ها در ‏طبقه بندي مستقل از بيمار كارايي مناسبي داشته‌اند. در اين مقاله، تيوري بازسازي فضاي فاز براي طبقه بندي پنج نوع ضربان قلب ‏‏(طبيعي، ‏PVC، ‏LBBB، ‏RBBB‏ و ‏PB‏) در حالت مستقل از بيمار به كار رفته است. در روش اول و دوم ابتدا فضاي فاز به دست ‏آمده، مدلسازي شده و سپس با كمك طبقه بند بيزين كلاسيك، طبقه‌بندي انجام شده است. در روش اول مدل تركيبي گوسين و ‏و در روش دوم مدل بين به كار رفته است. در روش سوم، از بازسازي فضاي فاز مستقيماً براي تعليم تخمين زننده شبكه عصبي ‏با تاخير زماني استفاده شده؛ سپس طبقه بندي بر مبناي كمينه خطاي پيش بيني، انجام شده است. نتايج هر سه روش در مقايسه با ‏ساير روش هاي طبقه بندي مستقل از بيمار بهبود قابل توجهي داشته است. بهترين نتايج مربوط به روش اول است كه صحت ‏طبقه‌بندي 5/92% در حالت مستقل از بيمار را نشان مي‌دهد. ‏

Many methods for automatic heartbeat classification have been applied and reported in literature, but relatively little number of them concerned with patient independent classification because of the less significant results compared to patient dependent ones. In this work, Reconstructed Phase Space (RPS) theory is used to classify five heartbeat types (Normal, PVC, LBBB, RBBB and PB). In the first and second method, RPS is modeled by the Gaussian mixture model (GMM) and bins, respectively and then classified by classic Bayesian classifier. In the third method, RPS is directly used to train predictor time-delayed neural networks (TDNN) and classified based on minimum prediction error. All three methods highly outperform the results reported before for patient independent heartbeat classification. The best result is achieved using GMM-Bayes method with 92.5% accuracy for patient independent classification.