بهبود طبقه‌بندی سیگنال الکتروکاردیوگرام (ECG) با ماشین بردار پشتیبان و بهینه‌سازی اجتماع ذرات (PSO-SV

          بهرام محمدپور 
            بازدید : 380
          
           نظرات (0)
        

بهبود طبقه‌بندی سیگنال الکتروکاردیوگرام (ECG) با ماشین بردار پشتیبان و بهینه‌سازی اجتماع ذرات (PSO-SVM)

نوع فایل: word (قابل ویرایش)

تعداد صفحات : 71 صفحه

چکیده

آريتمي‌هاي قلبي يكي از بيماري‌هاي قلبي بوده كه در مورد بيماران بستري شده در بخش مراقبتهاي ويژه بايد به آن توجه شود. هوشمندسازی فرآیند تشخیص دقیق بیماریهای قلبی مساله‌ای است که سال‌ها مورد توجه پژوهشگران قرار گرفته است. در این تحقیق روشی کارآمد جهت گزینش ویژگی‌های مناسب استخراج شده از سیگنال ECG، بر پایه‌ی الگوریتم باینری فاخته (BCOA) ارائه شده است. ویژگی‌های استخراج شده شامل ویژگی‌های زمانی،‌ AR و ضرایب موجک است که تعداد این ویژگی‌ها با استفاده از عملگر mRMR یا PCA کاهش داده می‌شود BCOA ،مجموعه‌هایی از ویژگی تشکیل می‌دهد و همواره در پی یافتن مجموعه‌ای شایسته از تمامی ویژگی‌ها است. ارزیابی این مجموعه از ویژگی‌های ا‌نتخاب شده توسط‌BCOA با اعمال به طبقه بند SVM بررسی می‌شود. سپس الگوریتم PSO جهت بهینه‌سازی پارامترهای SVM اعمال می‌شود.‌ به كمك شبيه‌سازي كامپيوتري،صحت كلي سيستم براي شناسايي ۶ نوع ريتم قلبي %۹۷/۹۸ به دست آمد که در مقایسه دقت حاصل شده با پژوهش‌های پیشین،کارایی مطلوب روش پیشنهادی را نشان می‌دهد.
کلمات کلیدی: طبقه بندی سیگنال الکتروکاردیو گرام، الگوریتم فاخته، طبقه‌بند ماشین بردار پشتیبان.

فصل اول                      مقدمه   1
۱-۱- مقدمه   2
۱-۲- تعریف مسئله   2
۱-۳- ضرورت و اهمیت تحقیق   3
۱-۴- روش تحقیق   3
۱-۵- تعریف مفاهیم   4
سیگنال الکتریکی قلب:   4
پتانسیل عمل عضله قلب   5
مرحله استراحت :   5
مرحله دپلاریزاسیون :   5
مرحله رپلاریزاسیون :   5
موج P :   6
منحنی QRS :   6
موج T :   6
قطعه ST :   6
بازه QT:   6
بیماریهای ضربان قلب :   6
فصل دوم

پیشینه پژوهش   2
۲-۱- مقدمه   10
معرفی پایگاه داده:   10
۲-۲- طبقه بندی سیگنال ECG با استفاده از موجک و شبکه عصبی   10
۲-۳- طبقه بندی سیگنال ECG با استفاده ازموجک و خواص مورفولوژیک و شبکه عصبی   11
۲-۴- طبقه بندی سیگنال ECG با استفاده از تبدیل موجک و شبکه عصبی فازی   11
۲-۵- طبقه بندی سیگنال ECG با استفاده از تبدیل ویولت و شبکه عصبی مصنوعی و الگوریتم پرندگان   12
۲-۶- طبقه بندی آریتمی های قلبی با استفاده از SVM   12
۲-۷- طبقه بندی آریتمی دهلیزی بطنی   12
۲-۸- طبقه بندی سیگنال الکتروکاردیوگرام با طبقه بند ماشین بردار پشتیبان و الگوریتم PSO   13
۲-۹- طبقه بندی آریتمی های قلبی با استفاده از PSO   13
۲-۱۰- رویکرد ترکیبی در طبقهبندی سرطان   14
۲-۱۱- دسته بندی آریتمیهای قلبی بر مینای تبدیل موجک و SVM   14
۲-۱۲- طبقه بندی سیگنال ECG با استفاده از خواص مورفولوژی   14
۲-۱۳- انتخاب ویژگی با استفاده از الگوریتم فاخته باینری   14
۲-۱۴- انتخاب ویژگی با استفاده از الگوریتم فاخته   15
فصل سوم

معرفی الگوریتم‌ها و روش‌های پردازش سیگنالECG   10
۳-۱- مقدمه   17
۳-۲- آنالیز موجک   17
۳-۲-۱- تبدیل موج پیوسته (CWT)   18
۳-۲-۲- تبدیل موجک گسسته   18
۳-۳-۲-۲- تجزیه چند سطحی   18
۳-۲-۴- انتخاب موجک مادر   19
۳-۲-۴- ویژگیهای استخراج شده از ویولت   21
۳-۳- ویژگی زمانی   21
۳-۴- استخراج ویژگی با مدل خودبازگشتی(AR)   22
۳-۵- استراتژی انتخاب ویژگی   22
۳-۶- تحلیل مولفه اصلی (PCA)   23
۳-۷- روش بیشترین وابستگی و کمترین افزونگی (mRMR)   24
۳-۸- الگوریتم فاخته COA   26
۳-۸-۲- جزییات الگوریتم بهینهسازی فاخته   27
۳-۸-۲-۱- تولید محلهای سکونت اولیه فاختهها (جمعیت اولیهی جوابهای کاندید)   29
۳-۸-۲-۲- روش فاختهها برای تخمگذاری   30
۳-۸-۲-۳- مهاجرت فاختهها   30
۳-۸-۲-۴- از بین بردن فاختههای قرار گرفته در مناطق نامناسب   32
۳-۸-۲-۵- همگرایی الگوریتم   32
۳-۹- گسستهسازی دودویی الگوریتم فاخته   33
۳-۱۰- ماشین بردار پشتیبان(SVM)   33
۳-۱۱- الگوریتم بهینهسازی ذرات(PSO)   35
۳-۱۱-۱- وزن اینرسی   36
۳-۱۲- شمای کلی سیستم طبقهبندی سیگنال ECG   38
فصل چهارم

روش پیشنهادی طبقه‌بندی سیگنال ECG   17
۴-۱- مقدمه   40
۴-۲- پیشپردازش سیگنال ECG   41
۴-۲-۱- شیفت سیگنال به انحراف زمینه   42
۴-۲-۲- حذف مقدار متوسط سیگنال   42
۴-۲-۳- حذف نویز ناشی از برق شهر   43
۴-۲-۴- هموارسازی سیگنال   43
۴-۲-۵- پنجرهگذاری سیگنال   43
۴-۲-۶- آزمون همبستگی و حذف ضربانهای ناهمبسته   44
۴-۲-۷- انتخاب دادههای آموزش و آزمون   44
۴-۳- ویژگیهای سیگنال   47
۴-۳-۱- استخراج ویژگی   47
۴-۳-۱-۱- ویژگی زمانی   47
۴-۳-۱-۲- ویژگی موجک   47
۴-۳-۱-۳- ویژگی AR   47
۴-۳-۱-۴- شناسایی نقاط پراهمیت سیگنال با استفاده از PCA   48
۴-۳-۲-ترکیب و ادغام ویژگیها   48
۴-۳-۲-۱- انتخاب ویژگی با PCA   48
۴-۳-۲-۲- انتخاب ویژگی با mRMR   49
۴-۳-۲-۳- انتخاب ویژگی با استفاده از الگوریتم فاخته   49
۴-۴- طبقهبندی با استفاده از SVM   51
فصل پنجم

نتیجه‌گیری   55
۵-۱- مقدمه   56
۵-۲- مقایسه و نتیجهگیری   56
۵-۴- ارائه پیشنهاد   57
منابع :   58

قيمت فايل ورد پروژه : 9000 تومان

دانلود فایل ورد بلافاصله بعد از پرداخت هزینه

بلافاصله پس از پرداخت ، لینک دانلود پایان نامه به شما نشان داده می شود

پشتیبانی سایت : 09010633413

فایل مورد نظر خودتان را پیدا نکردید ؟ نگران نباشید . این صفحه را نبندید ! سایت ما حاوی حجم عظیمی از پایان نامه های دانشگاهی است. مطالب مشابه را هم ببینید. برای یافتن فایل مورد نظر کافیست از قسمت جستجو استفاده کنید. یا از منوی بالای سایت رشته مورد نظر خود را انتخاب کنید و همه فایل های رشته خودتان را ببینید