دانلود مقاله مدل های یادگیری ماشین مخصوص بیمار برای طبقه بندی سیگنال ECG
خلاصه
آریتمی یکی از عمده ترین دلایل مرگ در سراسر جهان است. تقریبا 17.9 میلیون مرگ و میر، ناشی از بیماریهای قلبی عروقی است. به منظور کاهش این میزان مرگ و میر ، بیماریهای قلبی عروقی باید به درستی شناسایی شود و درمان مناسب باید فورا به بیماران ارائه شود . در این مطالعه ، یک طبقه بندی جدید ماشین بردار پشتیبانی مبتنی بر گروه (SVM) برای طبقه بندی ضربان قلب به چهار کلاس از بانک اطلاعاتی آریتمی MIT-BIH پیشنهاد شده است. نتایج با دیگر طبقه بندی کننده هایی که SVM بودند ، الگوریتم جنگل تصادفی (RF) ، الگوریتم K-نزدیکترین همسایه (KNN) و الگوریتم حافظه کوتاه مدت ماندگار ، مقایسه شد. چهار ویژگی که از سیگنالهای ECG که توسط طبقه بندیگرها استفاده شده ، استخراج شده است ، موجک ها ، آمار های مرتبه بالا ، فواصل R-R و خصوصیات مورفولوژیکی است. گروهی از SVM ها با دقت کلی 94.4٪ بهترین نتیجه را کسب کردند.
1. مقدمه
براساس گزارش WHO علت اصلی مرگ و میر در سرتاسر جهان بیماری های قلبی عروقی (CVDs) است: سالانه تعداد زیادی از افراد در اثر بیماری های قلبی نسبت به بیماری های دیگر می میرند. در سال 2016 ، حدود 18 میلیون نفر به دلیل بیماری های قلبی فوت کردند که این میزان بیانگر 31٪ از کل مرگ ها در سطح جهان است. 85٪ مرگ و میرها در بین این 31٪ ناشی از سكته قلبی و سكته مغزی است. تقریباً حدود سه چهارم مرگ های قلبی در کشورهای کم درآمد و با درآمد متوسط اتفاق می افتد (1). در سال 2015 ، 82٪ از 17 میلیون مرگ و میر زودرس ناشی از بیماریهای غیر واگیر در کشورهایی با درآمد کم و متوسط است و بقیه ناشی از بیماری CVD است. علت اصلی بیماری CVD ، اثر طولانی مدت آریتمی قلبی است. هنگامی که سیگنال الکتریکی مربوط به قلب که ضربان قلب را هماهنگ می کند به درستی کار نمی کنند ، آریتمی اتفاق می افتد [2].
ضربان قلب در آریتمی یا نامنظم است و یا خیلی سریع و یا خیلی آهسته. معمولا بیشتر آریتمی های قلب خطرناک نیستند. در صورتی که ضربان قلب بیش از اندازه غیر طبیعی باشد و یا ناشی از ضعف یا آسیب دیدگی قلب باشد، می تواند حتی سبب علائم جدی و مرگبار باشد. نوار قلب (به اختصار ECG) یک ابزار تشخيصي بسیار مهمی است كه براي ارزيابي و سنجش عملکرد عضلانی و فعاليت هاي الکتریکی قلب انسان استفاده مي شود [3]. این فعالیت های قلبی سبب ایجاد امواجی به نام امواج P-QRS-T می شود (به شکل 1 رجوع کنید). اگرچه، این آزمایش، یک آزمایش خیلی ساده برای انجام، بررسی و تعیین کردن ترسیم ECG است اما نیاز به آموزش بسیار زیادی دارد. همه آریتمی ها لزوما علائمی ندارند. برخی از آریتمی ها بدون هیچ گونه علائمی هستند. آن دسته از آریتمی هایی که از خود علائم نشان می دهند، علائم آنها به شکل زیر است: سرگیجه، تنگی نفس و ضربان قلب بسیارتند، شدید یا نامنظم در اثر هیجان.
5. نتیجه گیری
در این مقاله از مجموعه داده های مخصوص بیمار آریتمی MIT-BIH برای طبقه بندی ضربان قلب در ۴ گروه استفاده شده است. که شامل یک ضربان طبیعی و ۳ ضربان غیر طبیعی یعنی SVEB، VEB و F است. کارهای پیش پردازش داده ها انجام شد که شامل، حذف نویز خط پایه، تقسیم ضربان قلب که ضربان های قلب را در اندازه پنجره ۱۸۰ با مرکزیت اوج R و عادی سازی با استفاده از نمره Z است. سپس ویژگی های مهم، یعنی فواصل R-R، HOS (آمار مرتبه بالا)، موجک ها و ویژگی های مورفولوژیکی استخراج شدند.
علاوه بر این، طبقه بندی با استفاده از پنج روش که دستگاه های بردار پشتیبانی (SVM)، جنگل تصادفی (RF)، حافظه طولانی کوتاه مدت (LSTM)، نزدیک ترین همسایه K (KNN) و اثر کلی SVMها انجام شد. بهترین نتیجه با استفاده از اثر کلی SVMها با دقت کلی ۹۴.۴٪، دقت متوسط ۹۷.۲٪، حساسیت ۶۵.۲۶٪، ویژگی ۹۳.۳۵٪، دقت ۶۹.۱۱٪ و نمره F ۶۶.۲۴ ٪ بدست آمد. از میان هرکدام از طبقه بندی کننده ها، جنگل تصادفی، با دقت کلی ۹۳.۲۵٪ و دقت میانگین ۹۶.۷۳٪ به خوبی عمل می کند. در این مقاله پتانسیل اثرکلی گره گشایی شده و ثابت می شود که از بین تمام طبقه بندی کننده ها، بهترین گزینه است.
Abstract
Arrhythmia is one of the major cause of deaths across the globe. Almost 17.9 million deaths are caused due to cardiovascular diseases. In order to reduce this much mortality rate, the cardiovascular disease should be properly identified and the proper treatment for the same should be immediately provided to the patients. In this study, a new ensemble based support vector machine (SVM) classifier was proposed to classify heartbeat into four classes from MIT-BIH arrhythmia database. The results were compared with other classifiers that are SVM, Random Forest (RF), K-Nearest Neighbours (KNN), and Long Short Term Memory network. The four features were extracted from the ECG signals that were used by the classifiers are Wavelets, high order statistics, R-R intervals and morphological features. An ensemble of SVMs obtained the best result with an overall accuracy of 94.4%.
1. Introduction
The prime cause of deaths across the world according to the report of WHO are cardiovascular diseases (CVDs): Annually, more people die from cardiac diseases than from any other disease. In 2016, approximately 18 million people died because of cardiac-related diseases, which reflects 31% of all the deaths globally. 85% of the deaths among this 31% are due to heart attack and stroke. An approximate of three-fourths of cardiac deaths take place in low-income and middle-income countries [1]. In 2015, 82% of the 17 million premature deaths due to non- communicable diseases are in low and middle-income countries, and the rest are caused by CVDs. The leading cause of CVDs is a long-term effect of cardiac arrhythmias. When the electrical signal, to the heart that coordinate heartbeats don’t work properly, Arrhythmias occur [2].
Arrhythmia is a condition in which heartbeat is either irregular, too fast or too slow. Most of the heart arrhythmias are generally not harmful; In case if they seem to be exceptionally abnormal, or result from a weak or damaged heart, arrhythmias can even cause serious and potentially fatal symptoms. The electrocardiogram (short termed as ECG) is a significant diagnostic tool that is used to assess and monitor the electrical activities and muscular functions of the human heart [3]. These heart activities result in creating some waves called P-QRS-T waves (see Fig. 1). Even though, it is a really simple test to carry on, the examination and determination of the ECG tracing require huge amounts of training. It’s not mandatory to have symptoms for all the arrhythmias. Some arrhythmias do exist with no sort of symptoms. For those arrhythmias that exhibit symptoms, some of the following may be symptoms: dizziness, breathlessness and noticeably rapid, strong, or irregular heartbeat due to agitation.
5. Conclusion
This paper used MIT-BIH arrhythmia patient-specific dataset to classify the heartbeats into 4 classes which include one normal beat and 3 abnormal beats i.e. SVEB, VEB and F. Data pre-processing tasks were performed which includes baseline noise removal, heartbeat segmentation which segments the heartbeats within window size of 180 centered at R-peak and normalization using Z-score. Then important features were extracted namely R-R intervals, HOS (high order statistics), Wavelets and morphological features.
Further, classification was done using five techniques which are Support vector machines (SVM), random forest (RF), long short term memory (LSTM), K-nearest neighbours (KNN) and ensemble of SVMs. The best result was obtained using ensemble of SVMs with overall accuracy of 94.4%, average accuracy of 97.2%, sensitivity of 65.26%, specificity of 93.35%, precision of 69.11% and F-score of 66.24%. Among the single classifiers, Random forest performed good with overall accuracy of 93.25% and mean accuracy of 96.73%. In this paper the potential of ensembling has been unwind and has been proven best among all the single classifiers.
(جهت بزرگ نمایی روی عکس کلیک نمایید)
خلاصه
1. مقدمه
2. کارهای مرتبط
3. مواد و روش ها
3.1 بانک اطلاعاتی آریتمی
3.2 پیش پردازش داده ها
3.2.1. حذف نویز
3.2.2. نرمال سازی
3.2.3 دسته بندی ضربان قلب
3.3. استخراج ویژگی
3.3.1. تبدیل موجک ها
3.3.2. آمار های مرتبه بالا
3.3.3. توصیف کننده مورفولوژیکی
3.3.4 فاصله زمانی R-R
3.4 تکنیک های دسته بندی
3.4.1 نزدیکترین همسایه K
3.4.2 روش جنگل تصادفی
3.4.3 شبکه ی حافظه ی طولانی کوتاه مدت
3.4.4 دستگاه برداریِ پشتیبان
3.4.5 مجموعه دستگاه های برداری پشتیبان
4. نتایج آزمایش
4.1. ارزیابی ویژگی ها
4.2. مقایسه روش های طبقه بندی
4.3. مقایسه با پیشینه آثار
5. نتیجه گیری
منابع
Abstract
1. Introduction
2. Related work
3. Material and methods
3.1. Arrhythmia Database
3.2. Data Preprocessing
3.2.1. Noise Removal
3.2.2. Normalization
3.2.3. Heartbeat segmentation
3.3. Feature Extraction
3.3.1. Wavelets Transform
3.3.2. High Order Statistics
3.3.3. Morphological descriptor
3.3.4. R-R intervals
3.4. Classification Techniques
3.4.1. K-Nearest Neighbour
3.4.2. Random Forest
3.4.3. Long short term memory network
3.4.4. Support Vector Machine
3.4.5. Ensemble Support Vector Machine
4. Experimental Results
4.1. Feature Evaluations
4.2. Comparison of classification techniques
4.3. Comparison with Literatures
5. Conclusion
References
- اصل مقاله انگلیسی با فرمت ورد (word) با قابلیت ویرایش
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه