تشخیص آریتمی قلبی: مقایسه مدل‌های طبقه‌بندی با استفاده از تحلیل طیفی و غیرخطی سیگنال‌های الکتروکاردیوگرام

امروزه حدود 80 درصد از مرگ‌های ناگهانی قلبی نتیجه تاکی آریتمی فوق بطنی خودکار است. هدف پژوهش حاضر تحلیل داده‌های الکتروکاردیوگرام (ecg) به منظور تشخیص آریتمی قلبی است. ما از داده‌های ecg دو لید پایگاه mit-bih با 78 شرکت‌کننده دارای آریتمی و 18 شرکت‌کننده نرمال، استفاده کردیم. از الگوریتم پن‌تامپکینز، نرخ ضربان قلب را از ecg تخمین زده سپس، از نرخ ضربان قلب: ویژگی‌های آماری، ویژگی‌های طیفی و ویژگی غیرخطی استخراج شد. در انتها برای طبقه‌بندی از دو روش رایج طبقه‌بند ماشین بردار پشتیبان (svm) و کی- نزدیکترین همسایگی (knn) استفاده شد که در هر طبقه‌بند 6 مدل مورد بررسی قرار گرفت. نتایج تجربی مطالعه حاضر نشان داد که با الگوریتم پیشنهادی می‌توان افراد دارای آریتمی و سالم را با درصد صحت‌هایی 84/4 و 88/5 به ترتیب با استفاده از طبقه‌بندهای knn و svm تفکیک کرد.

diagnosis of cardiac arrhythmia: comparing classification models utilizing spectral and nonlinear analysis of electrocardiogram signals

today, about 80% of sudden cardiac deaths are the result of spontaneous supraventricular tachyarrhythmias. the aim of the current research is to analyze electrocardiogram (ecg) data in order to diagnose cardiac arrhythmia. we used two-lead ecg data from the mit-bih database with 78 participants with arrhythmia and 18 normal participants. from pentampkins algorithm, the heart rate was estimated from ecg, then from the heart rate: statistical features, spectral features and nonlinear features were extracted. in the end, two common classification methods, support vector machine (svm) and k-nearest neighbor (knn), were used for classification, and 6 models were examined in each classifier. the experimental results of the present study showed that with the proposed algorithm, it is possible to differentiate between people with arrhythmia and healthy people with the accuracy percentages of 84.4 and 88.5, respectively, using knn and svm classifiers.