ارزیابی عملکرد طبقه‌بندهای svm و ffnn در طبقه‌بندی آریتمی‌های قلبی با ویژگی‌های تبدیل موجک

سیگنال الکتروکاردیوگرام، نشان‌دهنده‌ی فعالیت الکتریکی قلب و یکی از مهمترین کاربردهای آن تشخیص آریتمی‌های قلبی است. اما تحلیل یک ثبت طولانی از این سیگنال‌، با دشواری‌هایی رو به رو است. بنابراین نیاز به استفاده از روش‌های تشخیص خودکار، روز به روز بیشتر احساس می‏شود. در این مقاله الگوریتمی با استفاده از ویژگی‌های استخراج شده از تبدیل موجک و طبقه‌بند svm پیشنهاد شده است. برای این منظور ابتدا نویزهای سیگنال، توسط فیلتر دیجیتال و تبدیل موجک حذف شده، سپس با الگوریتم pan_tompkins موج‏های r، استخراج شده‌‏اند. در ادامه ویژگی‏‌های هر ضربان قلب با تبدیل موجک گسسته استخراج شده و ابعاد فضای ویژگی‌ها با تبدیل pca کاهش یافته است. سپس طبقه‌‏بندی با روش svm و کرنل‌های مختلف آن انجام شده است. از داده‏‌های پایگاه mit-bih arrhythmia و نرم‌‏افزار matlab جهت ارزیابی کارآیی روش پیشنهادی در مقایسه با روش متداول feed-forward neural network (ffnn) استفاده شده است. پنج کلاس شامل ضربان‏‌های نرمال (n) و آریتمی‏‌های انسداد دسته شاخه چپ (lbbb)، انسداد دسته شاخه راست (rbbb)، انقباض زودرس دهلیزی (apb) و ضربان paced (pb)، با صحت 68/95 درصد با svm در بهترین حالت و صحت 30/90 درصد با ffnn طبقه‏‌بندی شده است. نتایج نشان‌دهنده تشخیص موثرتر آریتمی‌های قلبی توسط روش پیشنهادی است.