تشخیص آریتمی‌های قلبی براساس تبدیل بسته موجک و الگوریتم فاکتورگیری ماتریس غیر‌منفی تُنُک

بیماری‌های قلبی یکی از شایع‌ترین عوامل مرگ و میر در محدوده‌های سنی مختلف می‌باشد و تعیین دقیق نوع آریتمی‌ براساس پردازش سیگنال‌های قلبی می‌تواند در کنار دانش پزشکی به تصمیم‌گیری درست در مورد وضعیت بیمار منتهی گردد. در این زمینه تشخیص نوع آریتمی و انتخاب شیوه درمانی مناسب بر اساس آن می‌تواند به یک مسئله چالش برانگیز تبدیل گردد زیرا امکان بروز خطا در این تصمیم‌گیری توسط پزشک وجود دارد. به منظور بررسی دقیق جزئیات سیگنال قلبی ثبت‌شده از بیمار، بکارگیری تکنیک‌های پردازش و تحلیل سیگنال می‌تواند اهمیت بسیاری داشته باشد. در این مقاله، تشخیص نوع آریتمی به کمک ترکیب ویژگی‌های مورفولوژیکی و ضرایب تبدیل بسته موجک صورت می‌گیرد. به منظور کاهش بُعد این دسته ویژگی‌ها از الگوریتم تحلیل مولفه‌های اساسی تُنُک ساختار‌یافته استفاده می‌شود. سپس از این بردار ویژگی به منظور یادگیری مدل‌های بازنمایی‌کننده ساختار داده مربوط به هر نوع آریتمی‌ قلبی به کمک الگوریتم فاکتورگیری ماتریس غیرمنفی تُنُک استفاده می‌گردد. دسته‌بندی داده‌ها در این روش براساس مقدار انرژی ضرایب تُنُک حاصل از بازنمایی داده صورت می‌گیرد. نتایج روش پیشنهادی با نتایج حاصل از سایر روش‌های مطرح در این حوزه و نیز سایر طبقه‌بندهای مبتنی‌بر شبکه عصبی و ماشین بردار پشتیبان مقایسه شده است. نتایج حاصل از این شبیه‌سازی‌ها نشان می‌دهد که روش پیشنهادی مبتنی‌بر ویژگی‌های ترکیبی معرفی‌شده و مدل‌های آموزش‌دیده قادر به دسته‌بندی انواع آریتمی قلبی با دقت بالا خواهد بود.

ECG Arrhythmia Classification Based on Wavelet Packet Transform and Sparse Non-Negative Matrix Factorization

Classification of brain tumors using MRI images along with medical knowledge can lead to proper decisionmaking on the patient #39;s condition. Also, classification of benign or malignant tumors is one of the challenging issues due to the need for detailed analysis of tumor tissue. Therefore, addressing this field using image processing techniques can be very important. In this paper, various types of texturebased and statisticalbased features are used to determine the type of brain tumor and different types of features are applied in this classification procedure. Sparse coding and dictionary learning techniques are used to learn the overcomplete models based on the characteristics of each data category. The classification process is carried out based on the calculated energy of the sparse coefficients. Also, the results of this categorization are compared with the results of the classification based on the neural network and support vector machine. The simulation results show that the proposed method based on the selected combinational features and learning the overcomplete dictionaries can be able to classify the types of brain tumors precisely.