یک الگوریتم PSO-SVM جدید نیمه متصل موازی مشارکتی
چکیده
مشکلات خواب در میان عموم مردم، مشکل رایجی می باشد. این مشکلات از میان هر 5 نفر، 1 نفر را درگیر خودشان می کنند و عوارض جانبی کوتاه مدت و بلند مدت بر روی سلامتی انسان دارند. آپنه در زمان خواب (SA) رایج ترین و مهم ترین بخش از مشکلات خواب را شکل می دهد. این مقاله یک روش خودکار برای شناسایی رخداد های آپنه ارائه می دهد و به این منظور از چند سیگنال زیستی محدود استفاده می کند که مرتبط با مشکلات تنفسی می باشد. این کار تنها از جریان هوا، حرکات تنفسی شکمی و سینه ای به عنوان ورودی استفاده می کند. الگوریتم پیشنهاد شده شامل سه بخش اصلی می باشد که این بخش ها شامل تقسیم بندی سیگنال، تولید ویژگی و طبقه بندی می باشد. یک روش تقسیم بندی جدید در این قسمت ارائه شده است که به صورت هوشمند سیگنال های ورودی را برای طبقه بندی بعدی، تقسیم بندی می کند سپس ویژگی های مورد نیاز برای هر بخش با استفاده زا ضریب بسته های موجک و همچنین سیگنال های اصلی، ایجاد می شود. در فاز طبقه بندی یک الگوریتم PSO-SVM موازی یکتا مورد بررسی قرار می گیرد. در این قسمت PSO به منظور تنظیم کردن پارامتر های SVM و کاهش داده ها مورد استفاده قرار می گیرد. این ساختار موازی پیشنهاد شده به PSO کمک می کند تا به فضای جست جوی کارآمد تری دست پیدا کند و همچنین مانع همگرایی سریع و حالت بهینه ی محلی می شود که این مشکلات، به صورت رایج در دیگر مسئله های بهینه سازی دیده میشود. نتایج به دست آمده نشان می دهد که روش پیشنهاد شده روشی موثر و قوی برای شناسایی آپنه در زمان خواب می باشد و تست های آماری انجام شده نیز نشان دهنده ی برتری این روش نسبت به روش های قبلی ، حتی با سیگنال های ورودی بیشتر می باشد . این روش نسبت به روش های غیر ترکیبی PSO-SVM هم عملکرد بهتری دارد. استفاده از سیگنال های کمتر به معنی راحتی بیشتر سوژه و همچنین کاهش هزینه ها در طول ثبت داده ها می باشد.
Abstract
Sleep disorders are common in a general population. It effect one in 5 adults and has several short term and long term bad side effects on health. Sleep apnea (SA) is the most important and common component of sleep disorders. This paper presents an automatic approach for detecting apnea events by using few bio-singles that are related to breathe defect. This work uses only air flow, thoracic and abdominal respiratory movement as input. The proposed algorithm consists of three main parts which are signal segmentation, feature generation and classification. A new proposed segmentation method intelligently segments the input signals for further classification, then features are generated for each segment by wavelet packet coefficients and also original signals. In classification phase a unique parallel PSO-SVM algorithm is investigated. PSO used to tune SVM parameters, and also data reduction. Proposed parallel structure used to help PSO to search space more efficiently, also avoiding fast convergence and local optimal results that are common problem in similar parallel algorithms. Obtained results demonstrate that the proposed method is effective and robust in sleep apnea detection and statistical tests on the results shown superiority of it versus previous methods even with more input signals, and also versus single PSO-SVM. Using fewer signals means more comfortable to subject and also, reduction of cost during recording the data.
چکیده
1. مقدمه
2. اطلاعات فنی پیش نیاز
الف ) ماشین بردار پشتیبان
ب) بهینه سازی ازدحام ذرات (PSO)
ج) PSO موازی
3. روش و خط مشی مورد استفاده
الف ) تقسیم بندی سیگنال
ب) استخراج ویژگی
ج) الگوریتم PSO-SVM موازی
ارائه ی ذرات
مقدار دهی اولیه
ارزیابی ذرات
ساختار موازی
4. نتایج و مباحث
5. جمع بندی
منابع
Abstract
I. INTRODUCTION
II. PRELIMINARY TECHNIQUES INFORMATION
A. Support vector machines
B. Particle swarm optimisation (PSO)
C. Parallel PSO
III. APPROACH AND METHOD
A. Signal Segmentation
B. Features Extraction
C. Paralle PSO-SVM algorithm
Particle representation
Initialization
Particle evaluation
Parallel structure
IV. RESULTS AND DISCUSSION
V. Conclusion
Appendix A.
- 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