تشخیص آریتمی‌های قلبی به کمک مدل دینامیکی سیگنال قلب و روش‌های مبتنی بر پردازش نرم

در این مقاله از مدل دینامیکی سیگنال الکتروکاردیوگرام (ecg) و روش‌های مبتنی بر پردازش نرم برای تشخیص آریتمی‌های قلبی استفاده شده است. مشخصه‌های به کار گرفته شده در کلاس‌بندی، پارامترهای مدل دینامکی ecg است که از روش حل معکوس ‌ با استفاده از روش‌های بهینه‌سازی به دست آمده‌اند‌. به منظور تسریع استخراج پارامتر‌های مدل دینامیکی، ابتدا جداسازی ضربان صورت گرفته است. الگوریتم‌های بهینه‌سازی ژنتیک و ازدحام ذرات برای حل معکوس و استخراج پارامترها استفاده شده است. در این کار، کارایی دو مدل دینامیکی، در سرعت و دقت تشخیص مورد بررسی و مقایسه قرار گرفته است. در بخش کلاس‌بندی، از روش‌های anfis و fcm در کنار روش کاهش ابعاد pca برای بهبود دقت کلاسبندی استفاده شده است. نتایج به دست آمده نشان می‌دهد به کارگیری روش anfis با داده‌های به دست آمده از بهینه‌سازی pso و مدل ساده مک‌شری بهترین تشخیص را با دقت 99 ٪ و حساسیت 11/99 ٪ در بر دارد. همچنین به کارگیری ساختار پیشنهادی، سرعت استخراج پارامترهای مدل را به طور قابل ملاحظه‌ای افزایش داده است.

Detection of Cardiac Arrhythmias Using ECG Dynamic Model and Soft Computing Techniques

This study investigates a nonlinear model-based feature extraction approach for the accurate classification of four types of heartbeats. The features are the morphological parameters of ECG signal derived from the nonlinear ECG model using an optimization-based inverse problem solution. In the model-based methods, high feature extraction time is an important issue. In order to reduce the feature extraction time, a new structure was employed in the optimization algorithms. Using the proposed structure has considerably increased the speed of features extraction. In the following, the effectiveness of two types of optimization methods (genetic algorithm and particle swarm optimization) and two types of ECG models has been studied and compared in terms of speed and accuracy of diagnosis. In the classification section, the adaptive neuro-fuzzy inference system and fuzzy c-mean clustering methods, along with the principal component analysis data reduction method, have been used for classification. The results obtained reveal that using an adaptive neuro-fuzzy inference system with data obtained from particle swarm optimization and the simplified McSharry model will have less process time and the best diagnosis with a mean accuracy of 99% and a mean sensitivity of 99.11%.