فهرست:
فصل اول مقدمه. 1
1-1- مقدمه. 2
1-2- تعریف مسئله. 2
1-3- ضرورت و اهمیت تحقیق.. 3
1-4- روش تحقیق.. 3
1-5- 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
2-1- مقدمه. 10
معرفی پایگاه داده: 10
2-2- طبقه‌بندی سیگنال ECG با استفاده از موجک و شبکه عصبی.. 10
2-3- طبقه‌بندی سیگنال ECG با استفاده ازموجک و خواص مورفولوژیک و شبکه عصبی.. 11
2-4- طبقه‌بندی سیگنال ECG با استفاده از تبدیل موجک و شبکه عصبی فازی.. 11
2-5- طبقه‌بندی سیگنال ECG با استفاده از تبدیل ویولت و شبکه عصبی مصنوعی و الگوریتم پرندگان. 12
2-6- طبقه‌بندی آریتمی‌های قلبی با استفاده از SVM... 12
2-7- طبقه‌بندی آریتمی دهلیزی بطنی.. 12
2-8- طبقه‌بندی سیگنال الکتروکاردیوگرام با طبقه‌بند ماشین بردار پشتیبان و الگوریتم PSO.. 13
2-9- طبقه‌بندی آریتمی‌های قلبی با استفاده از PSO.. 13
2-10- رویکرد ترکیبی در طبقه‌بندی سرطان. 14
2-11- دسته‌بندی آریتمی‌های قلبی بر مینای تبدیل موجک و SVM... 14
2-12- طبقه‌بندی سیگنال ECG با استفاده از خواص مورفولوژی.. 14
2-13- انتخاب ویژگی با استفاده از الگوریتم فاخته باینری.. 14
2-14- انتخاب ویژگی با استفاده از الگوریتم فاخته. 15
فصل سوم معرفی الگوریتم‌ها و روش‌های پردازش سیگنالECG.. 10
3-1- مقدمه. 17
3-2- آنالیز موجک... 17
3-2-1- تبدیل موج پیوسته (CWT) 18
3-2-2- تبدیل موجک گسسته. 18
3-3-2-2- تجزیه چند سطحی.. 18
3-2-4- انتخاب موجک مادر. 19
3-2-4- ویژگی‌های استخراج شده از ویولت.. 21
3-3- ویژگی زمانی.. 21
3-4- استخراج ویژگی با مدل خودبازگشتی(AR) 22
3-5- استراتژی انتخاب ویژگی.. 22
3-6- تحلیل مولفه اصلی (PCA) 23
3-7- روش بیشترین وابستگی و کمترین افزونگی (mRMR) 24
3-8- الگوریتم فاخته COA.. 26
3-8-2- جزییات الگوریتم بهینه‌سازی فاخته. 27
3-8-2-1- تولید محل‌های سکونت اولیه فاخته‌ها (جمعیت اولیه‌ی جواب‌های کاندید) 29
3-8-2-2- روش فاخته‌ها برای تخم‌گذاری.. 30
3-8-2-3- مهاجرت فاخته‌ها 30
3-8-2-4- از بین بردن فاخته‌های قرار گرفته در مناطق نا‌مناسب.. 32
3-8-2-5- همگرایی الگوریتم. 32
3-9- گسسته‌‌سازی دودویی الگوریتم فاخته. 33
3-10- ماشین بردار پشتیبان(SVM) 33
3-11- الگوریتم بهینه‌سازی ذرات(PSO) 35
3-11-1- وزن اینرسی.. 36
3-12- شمای کلی سیستم طبقه‌بندی سیگنال ECG.. 38
فصل چهارم روش پیشنهادی طبقه‌بندی سیگنال ECG.. 17
4-1- مقدمه. 40
4-2- پیش‌پردازش سیگنال ECG.. 41
4-2-1- شیفت سیگنال به انحراف زمینه. 42
4-2-2- حذف مقدار متوسط سیگنال. 42
4-2-3- حذف نویز ناشی از برق شهر. 43
4-2-4- هموارسازی سیگنال. 43
4-2-5- پنجره‌گذاری سیگنال. 43
4-2-6- آزمون همبستگی و حذف ضربان‌های نا‌همبسته. 44
4-2-7- انتخاب داده‌های آموزش و آزمون. 44
4-3- ویژگی‌های سیگنال. 47
4-3-1- استخراج ویژگی.. 47
4-3-1-1- ویژگی زمانی.. 47
4-3-1-2- ویژگی موجک... 47
4-3-1-3- ویژگی AR.. 47
4-3-1-4- شناسایی نقاط پراهمیت سیگنال با استفاده از PCA.. 48
4-3-2-ترکیب و ادغام ویژگی‌ها 48
4-3-2-1- انتخاب ویژگی با PCA.. 48
4-3-2-2- انتخاب ویژگی با mRMR.. 49
4-3-2-3- انتخاب ویژگی با استفاده از الگوریتم فاخته. 49
4-4- طبقه‌بندی با استفاده از SVM... 51
فصل پنجم نتیجه‌گیری. 55
5-1- مقدمه. 56
5-2- مقایسه و نتیجه‌گیری.. 56
5-4- ارائه پیشنهاد. 57
منابع : 58
منبع:
]1[ موذن، ایمان. احمد زاده، محمد رضا. (1388)، طراحی یک سامانه بازشناسی برای رده بندی سیگنالهای قلب براساس تبدیل موجک و شبکههای عصبی احتمالی، فصل نامه علمی پژوهشی مجلسی، سال سوم، شماره سوم، صص 31-37.
]2[ قبادی محبی، سحر. (1389)، تشخیص و طبقه بندی آریتمی های قلبی با استفاده از روش SVM، سیزدهمین کنفرانس دانشجویی مهندسی برق ایران.
[3] Melgani, F. And Bazi, Y. (2008), Classification of Electrocardiogram Signals with Support Vector Machines and Particle Swarm Optimization, IEEE Transactions on Information Technology in Biomedicine, VOL. 12, No. 5, pp. 667-677.
]4[مخلصی، امید. مهرشاد، ناصر. رضوی، سید محمد. (1390)، به کارگیری ساختارهای ترکیبی از شبکه های عصبی به منظور تشخیص آریتمی های قلبی با استفاده از ادغام ویژگی های موجک و زمانی، سیستم های هوشمند در مهندسی برق، سال دوم، شماره اول.
]5[ خزایی، علی. (1389)، طبقه بندی بیماری های قلبی، پایان نامه کارشناسی ارشد دانشگاه صنعتی نوشیروانی.
[6] R.G. Mark, and G. B. Moody, MIT-BIH Arrhythmia Database 1997 [Online]. Available: http://ecg.mit.edu/dbinfo.html.
[7] Ghorbanian, P. Ghaffari, A. Jalali, A. Nataraj, C. (2010) Heart arrhythmia detection using continuous wavelet transform and principal component analysis with neural network classifier. Computing in Cardiology IEEE Conference, pp 669-672.
[8] گایتون، آرتور؛ فیزیولوژی پزشکی، سپهری و دیگران، تهران، اندیشه رفیع، 1387، چاپ سوم، ص 56.
[9] L.Y. Shyu, Y.H. Wu, W.C. Hu,(2004) Using wavelet transform and fuzzy neural network for VPC detection from the Holter ECG, IEEE Trans. Biomed. Eng. 51, 1269–1273.
[10] T. Ince, S. Kiranyaz, and M. Gabbouj, (2009) A Genetic and Robust System for Automated Patient-Specific Classification of Electrocardiogram Signals, IEEE Trans. Biomed. Eng. 56, 1415-1426.
[11] Testing and Reporting Performance Results of Cardiac Rhythm and ST Segment Measurement Algorithms, ANSI/AAMI EC57:1998 standard, Association for the Advancement of Medical Instrumentation, 1998.
]12[ کتایون شجاعیان، رسول امیرفتاحی، (1387) شناسایی آریتمی‌های حاد دهلیزی- بطنی بر اساس بخشبندی و تشخیص، مهندسی برق مجلسی، سال دوم، شماره اول.
[13] I. Guyon, A. Elisseeff(2003), “An introduction to variable and feature selection”, Journal of Machine Learning Research, Vol. 3, pp. 1157–1182.
[14] Khazaee, A. (2013), Heart Beat Classification Using Particle Swarm Optimization, I.J. Intelligent Systems and Applications, Vol.5, No. 6, pp. 25-33.
[15] Y. Peng, W. Li, Y. Liu, (2006) A hybrid approach for biomarker discovery from microarray gene expression data for cancer classification, Cancer Informatics, Vol. 2, pp.301–311.
]16 [کلاته میمری؛ عاطفه؛ شیرازی؛ جلیل؛ (1391)؛ دسته بندی آریتمی های قلبی بر مینای تبدیل موجک و SVM؛ چهارمین کنفرانس مهندسی برق و الکترونیک ایران.
[17] de Chazal F. and R. B. Reilly, (2006) A patient adapting heart beat classifier using ECG morphology and heartbeat interval features, IEEE Trans. Biomed. Eng., vol. 53, no. 12, pp. 2535–2543.
[18] L. A. M. Pereira, D. Rodrigues, T. N. S. Almeida, C. C. O. Ramos, A. N. Souza, X.-S. Yang, J. P. Papa, (2013) BCS: A Binary Cuckoo Search algorithm for feature selection, Studies in Computational Intelligence, Vol 516, pp 141-154.
[19] D Rodrigues, Pereira, L.A.M. ; Almeida, T.N.S. ; Papa, J.P. ; Souza, A.N. ; Ramos, C.C.O. ; Xin-She Yang, (2013) BCS: A binary cuckoo search algorithm for feature selection, Circuits and Systems (ISCAS), 2013 IEEE International Symposium, 465-468.
[20] Ghanbari, Karami-Mollaei, (2006) A new approach for speech enhancement based on the adaptive thresholding of the wavelet packets, speech communication, Elsevier.
[21] Burrus, C. Sidney, Gopinath, Ramesh Á., and Guo, Haitao. (1998). Introduction to Wavelets and Wavelet Transforms: A Primer. Uuper Saddle River, New Jersey: Prentice-Hall.
[22] R. N. Khushaba, A. Al-Jumaily, and A. Al-Ani, (2007) Novel Feature Extraction Method based on Fuzzy Entropy and Wavelet Packet Transform for Myoelectric Control, 7th International Symposium on Communications and Information Technologies ISCIT2007, Sydney, Australia, pp. 352 – 357.
[23] Kumar D, Tripathy RK, Acharya A (2014) Least square support vector machine based multiclass classification of EEG signals, WSEAS T Signal Process 10(1):86-94.
[24] Behar, Joachim, et al. (2013) "ECG signal quality during arrhythmia and its application to false alarm reduction." IEEE transactions on bio-medical engineering 60.6, 1660-1666.
[25] L. Yu, H. Liu, (2004 ) “Efficient feature selection via analysis of relevance and redundancy”, Journal of Machine Learning Research, Vol. 5, pp. 1205–1224.
[26] Aleix M. Martinez, Avinash C. Kak, (2001) ‘’Pca versus Lda’’, IEEE Trans. On Pattern Analysis and Machine Intelligence. Vol. 2, pp. 228-233.
[27] Jiwen Lu, Erhu Zhang, (2007) ‘’Gait recognition for human identification based on ICA and fuzzy SVM through multiple views fusion’’, Nanyang Technological University, Nanyang Avenue, Singapore, pp. 2401–2411.
[28] S. Thodoridis and K. Koutroumbas, (2009) ‘’Pattern recognition’’, Fourth Edition, Elsevier.
[29] A.K Jain, R.P.W. Duin and J. Mao, (2000) ‘’Statistical pattern recognition: A review’’, IEEE Tran. On Pattern Analysis and Machine Intelligence. Vol. 22, No. 1, pp. 4-37.
[30] Ramin Rajabioun (2011), “Cuckoo Optimization Algorithm”. Applied Soft Computing, Volume 11, Issue 8, Pages 5508-5518.
[31] H. Peng, F. Long and C. Ding, (2005) ‘’Feature selection based on mutual information: Criteria of max-dependency, max relevance, and min-redundancy’’, IEEE Tran. On Pattern Analysis and Machine Intelligence. Vol. 27, No. 8.
[32] Y. Shi and R. C. Eberhart, (2001) "Fuzzy Adaptive Particle Swarm Optimization", in Proceedings of IEEE International Conference on Evolutionary Computation, pp. 101- 106.
[33] H. Liu and A. Abraham, (2005) "Fuzzy Turbulent Particle Swarm Optimization", in Proceedings of 5th IEEE International Conference on Hybrid Intelligent Systems.
[34] Ying -Wen Bai, Wen-Yang Chu, Chien-Yu, Yi-Ting, Yi- Ching Tsai and Cheng-Hung Tsai. (2004) "Adjustable 60 HZ Noise Reduction by a Notch Filter for ECG signal" International and Measurement Technology conference como Itlay 18-20.
[35] Matthew Swain (2011) A Wavelet Transform Approach to the Analysis of Atrial Fibrillation Electrograms, College London, MSci Project.
[36] Mahmoodabadi, A. Ahmadian, and M. Abolhasani, (2005) "ECG feature extraction using Daubechies wavelets," in Proceedings of the fifth IASTED International conference on Visualization, Imaging and Image Processing, pp. 343-348.
]37[ علی توکل پور صالح، "تشخیص بیماری پارکینسون مبتنی بر پردازش تصاویر ویدیویی "، پایان نامه کارشناسی ارشد دانشگاه صنعتی نوشیروانی،1393.
[38] H. Peng, F. Long and C. Ding, (2005) ‘’Feature selection based on mutual information: Criteria of max-dependency, max relevance, and min-redundancy’’, IEEE Tran. On Pattern Analysis and Machine Intelligence. Vol. 27, No. 8.
[39] Engin, Mehmet.(2004).ECG beat classification using neruro-fuzzy network.paternRecognition Letters 25.15:1715-1722.