پیش‌بینی آریتمی قلبی در سیگنال ecg با به‌کارگیری مجمعی از ماشین‌های بردار پشتیبان چندهسته‌ای بهینه

استفاده از هوش مصنوعی در فرآیند تشخیص بیماری‌های قلبی سال‌ها مورد توجه پژوهش‌گران قرار گرفته است. در این مقاله، روشی کارآمد جهت گزینش ویژگی‌های مناسب استخراج‌شده از سیگنال‌های الکترکاردیوگرام (ecg)، بر پایه الگوریتم ژنتیک برای استفاده در یک اجماعی از طبقه بندهای ماشین بردار پشتیبان (svm) چندهسته ای که هر کدام از این طبقه ‌بندها به وسیله یک الگوریتم ژنتیک بهینه شده‌ اند، پیشنهاد شده است. پیشتر نشان داده شده که به‌ علت خاصیت ‌هایش (نگاشت فضای ویژگی و حداکثرسازی مرز تصمیم) طبقه ‌بند ماشین بردار پشتیبان یکی از روش‌های طبقه ‌بندی است که مناسب هر نوع محیطی محسوب می‌شود. این مقاله از تعدادی طبقه‌ بند ماشین بردار پشتیبان چندهسته ای به‌ عنوان یک طبقه بند ترکیبی بهره می‌ گیرد. تنوع اجماع به وسیله آموزش هر طبقه بند ماشین بردار پشتیبان چندهسته ای بر روی یک زیرفضا (یعنی زیرمجموعه ‌ای از ویژگی‌ ها) ایجاد می‌ شود. در این روش برای ترکیب خروجی طبقه‌ بندها از روش رای اکثریت استفاده شده است. از طرفی در طبقه ‌بندی سیگنال ‌های ecg به طور معمول از سیگنال ‌ها به‌عنوان ویژگی‌های آن استفاده می‌شود؛ در نتیجه از آن جایی که روش‌های طبقه بندی سیگنال ‌ها با تعداد زیادی ویژگی مواجه هستند و حذف‌نکردن این ویژگی‌ها مشکل ابعاد بالا را ایجاد می‌کند و همچنین بار محاسباتی را برای کاربرد مورد نظر بالا می‌برد، گام انتخاب ویژگی اجتناب­‌ناپذیر است. ویژگی‌های استخراج شده شامل ویژگی‌های زمانی، ar و ضرایب موجک‌ است که تعداد این ویژگی‌ها با استفاده از الگوریتم ژنتیک بهینه خواهد شد. ارزیابی این مجموعه از ویژگی‌های ا‌نتخاب‌شده به‌وسیله الگوریتم ژنتیک با اعمال به یک svm چندهسته ‌ای بررسی می‌شود. از الگوریتم‌ ژنتیک جهت بهینه‌سازی پارامترهای هر کدام از svm ها استفاده می‌ شود.‌ به‌کمک شبیه‌سازی رایانه‌ای، صحت کلی سامانه برای شناسایی شش نوع ریتم قلبی %99/15 به دست آمده است که در مقایسه دقت حاصل‌شده با پژوهش‌های‌ پیشین، کارایی مطلوب روش پیشنهادی را نشان می‌دهد.

predicting cardiac arrhythmia on ecg signal using an ensemble of optimal multicore support vector machines

the use of artificial intelligence in the process of diagnosing heart disease has been considered by researchers for many years. in this paper, an efficient method for selecting appropriate features extracted from electrocardiogram (ecg) signals, based on a genetic algorithm for use in an ensemble multi-kernel support vector machine classifiers, each of which is based on an optimized genetic algorithm is proposed. it has already been shown that due to its features (feature space mapping and decision boundary maximization), support vector machine classification is one of the classification methods that are suitable for any type of environment. this paper uses a number of multi-kernel support vector machine classifiers as an ensemble classifier. ensemble diversity is created by teaching each multi-kernel support vector machine classifier on a subspace (ie, a subset of features). in this method, the majority vote method is used to combine the output of the categories. on the other hand, in the classification of ecg signals, signals are usually used as their characteristics; as a result, since the methods of classifying signals are faced with a large number of features, and not removing these features creates a problem of high dimensions and also increases the computational for the intended application, the step of selecting the feature is inevitable. the extracted features include temporal properties, ar, and wavelet coefficients, the number of which will be optimized using a genetic algorithm. the evaluation of this set of features selected by the genetic algorithm is examined by applying it to a multivariate svm. a genetic algorithm is used to optimize the parameters of each of the svms. indicates the desired method. with the help of computer simulation, the overall accuracy of the system for identifying 6 types of heart rhythms is 99.15%, which in comparison with the accuracy obtained with previous research, shows the optimal performance of the proposed method.