پایان نامه بهبود طبقه‌ بندی سیگنال الکتروکاردیوگرام (ECG) با ماشین بردار پشتیبان و بهینه‌سازی اجتماع ذرات (PSO-SVM)

word
70
2 MB
32171
1393
کارشناسی ارشد
قیمت: ۹,۱۰۰ تومان
دانلود فایل
  • خلاصه
  • فهرست و منابع
  • خلاصه پایان نامه بهبود طبقه‌ بندی سیگنال الکتروکاردیوگرام (ECG) با ماشین بردار پشتیبان و بهینه‌سازی اجتماع ذرات (PSO-SVM)

    پایان‏نامه جهت اخذ درجه کارشناسی ارشد

     رشته مهندسی پزشکی

    چکیده

     

    آریتمی‌ های قلبی یکی از بیماری‌ های قلبی بوده که در مورد بیماران بستری شده در بخش مراقبت‌های ویژه باید به آن توجه شود. هوشمند‌سازی فرآیند تشخیص دقیق بیماری‌های قلبی مساله‌ای است که سال‌ها مورد توجه پژوهشگران قرار گرفته است. در این تحقیق روشی کارآمد جهت گزینش ویژگی‌های مناسب استخراج شده از سیگنال ECG، بر پایه‌ی الگوریتم باینری فاخته (BCOA) ارائه شده است. ویژگی‌های استخراج شده شامل ویژگی‌های زمانی،‌ AR و ضرایب موجک‌ است که تعداد این ویژگی‌ها با استفاده از عملگر mRMR یا PCA کاهش داده می‌شود BCOA ،مجموعه‌هایی از ویژگی تشکیل می‌دهد و همواره در پی یافتن مجموعه‌ای شایسته از تمامی ویژگی‌ها است. ارزیابی این مجموعه از ویژگی‌های ا‌نتخاب شده توسط‌BCOA  با اعمال به طبقه بند SVM بررسی می‌شود. سپس الگوریتم‌ PSO جهت بهینه‌سازی پارامترهای‌ SVM اعمال می‌شود.‌ به کمک شبیه‌سازی کامپیوتری،صحت کلی سیستم برای شناسایی 6 نوع ریتم قلبی %97/98 به دست آمد که در مقایسه دقت حاصل شده با پژوهش‌های‌ پیشین،کارایی مطلوب روش پیشنهادی را نشان می‌دهد.

    کلمات کلیدی: طبقه‌ بندی سیگنال الکتروکاردیو گرام، الگوریتم فاخته، طبقه‌ب ند ماشین بردار پشتیبان.

    مقدمه

    سیگنال تابعی از یک یا چند متغیر مستقل است که اطلاعاتی را در مورد یک پدیده فیزیکی یا بیولوژیکی در بردارد. موجودات زنده از سلول گرفته تا ارگان‌های بدن، سیگنال‌ هایی با منشاء بیولوژیکی تولید می کنند. این سیگنال‌ها به صورت الکتریکی، مکانیکی یا شیمیایی‌اند. سیگنال‌های الکتریکی نتیجه دپلاریزاسیون سلول‌های عصبی یا ماهیچه قلبی‌اند. صدای تولید شده توسط دریچه‌های قلب نمونه‌ای از سیگنال‌های مکانیکی است. این سیگنال‌های بیولوژیکی یا سیگنال‌ های حیاتی برای تشخیص پزشکی و تحقیقات زیست-پزشکی مورد استفاده قرار می‌گیرند.

    سیگنال‌های حیاتی در سطح بدن وضعیت درونی و فعالیت الکتریکی بدن را منعکس می‌کنند. بنابراین با استفاده از اندازه‌گیری غیر تهاجمی اطلاعاتی درباره ارگان‌های داخلی فراهم می‌کند. الکتروکاردیوگرام توسط کاردیولوژیست‌ها برای اهداف تشخیصی استفاده می‌شود و اطلاعات کلیدی درباره فعالیت الکتریکی ECG[1] ارائه می‌دهد. بنابراین با نمایش دائمی این سیگنال می‌توان تغییرات فعالیت الکتریکی قلب را در طول زمان مشاهده نمود که این تغییرات،شامل اطلاعات بسیارکلیدی برای پزشکان می باشد]1[.

     

    1-2- تعریف مسئله

    قلب یکی از مهمترین اعضای بدن است که وظیفه پمپ کردن خون در سیستم قلبی عروقی را به عهده دارد. چنانچه عملکرد قلب از نظم طبیعی (ریتم) خود خارج شود، گردش خون به خوبی انجام نمی شود و این امر می‌تواند خطرهای جدی برای فرد به دنبال داشته باشد، از این رو تشخیص درست و به موقع آریتمی‌های قلبی از اهمیت به سزایی برخوردار است. یکی از راههای شناخته شده برای تشخیص به موقع این آریتمی‌ها بررسی فعالیت‌های الکتریکی قلب با استفاده از سیگنال‌های الکتروکاردیوگرافی یا به اختصار ECG، است. تغییرات معنی داری از ساختار قلب بیماران و ضربان‌های آن با استفاده از این سیگنال‌ها قابل تشخیص هستند‌]2[. در چندین سال اخیر،طبقه‌بندی خودکار سیگنال‌های الکتروکاردیوگرام توجه زیاد مهندسین پزشکی را به خود جلب کرده است. به واسطه این سیگنال‌ها یک متخصص قلب اطلاعاتی مفید درباره ریتم و عملکرد قلب خواهد داشت. بنابراین آنالیز آن نشان دهنده ی یک راه مؤثر برای شناسایی و درمان انواع بیماری‌های قلبی است]3[.

    برای طراحی یک سیستم هوشمند تشخیص آریتمی‌های قلبی از روی سیگنال‌های الکتروکاردیوگرافی،لازم است ابتدا ویژگی های مناسبی از روی این سیگنال‌ها استخراج شود. با توجه به اینکه ضرایب موجک قادرند اطلاعات زمان-فرکانس سیگنال را به طور توام توصیف کنند، یکی از انتخاب ها برای استخراج ویژگی از یک سیگنال الکتروکاردیوگرافی خواهد بود. در این راستا باید تعداد سطوح تجزیه و نوع موجک مشخص شوند. همچنین، نتایج تحقیقات قبلی نشان داده است که برای استخراج ویژگی از سیگنال‌های الکتروکاردیوگرافی خانواده دابیچز و هار در مقایسه با سایر موجک‌ها بسیار مناسب‌تر هستند ]4[. تشخیص پزشک براساس اطلاعات زمانی و ریخت‌شناسی استخراج شده از سیگنال الکتروکاردیوگرافی است. در حالی که گاهی اوقات تحلیل موجک بر روی سیگنال‌های قلبی به تنهایی برای طبقه‌بندی کافی نیست و به همین دلیل استفاده از دیگر ‌مشخصه‌های موجود در سیگنال‌های قلبی برای طبقه‌بندی بیماری‌های قلبی ضروری است. برای توصیف کامل‌تر سیگنال‌های الکتروکاردیوگرافی علاوه بر ویژگی‌های موجک از ویژگی‌های زمانی نیز استفاده می‌شود. ]4[.

    1-3- ضرورت و اهمیت تحقیق

              از آنجائی که ECG پزشک را قادر می­سازد تا فعالیت الکتریکی قلب را ثبت کند، می­توان به کمک آن بیماری‌های قلبی را تشخیص داد. برای از بین بردن خطای انسانی و همچنین استفاده از بانک­های اطلاعاتی موجود در تشخیص دقیق و سریع بیماری­ها، از آنالیز خودکار کامپیوتری استفاده می‌شود.. بنابراین در این پژوهش سعی در  تشخیص خودکار بیماری‌های قلبی شده که در آینده­ای قابل پیش­بینی سبب حذف اشتباهات انسانی در تشخیص بیماری­ها می‌شود. هدف از انجام این تحقیق ارائه یک روش مناسب برای تشخیص خودکار 5  بیماری‌ مهم قلبی، شامل نارسائی­های RBBB[2]،LBBB[3]   و  PVC[4] وAPC[5]  وP[6]  می‌باشد.

    1-4- روش تحقیق

    در این پژوهش ابتدا داده‌های مربوط به سیگنال ECG از پایگاه داده تهیه می‌شود و پیش پردازش آن‌ها جهت انتخاب سیگنال‌های مناسب و همچنین پنجره‌گذاری روی آنها انجام خواهد شد. سپس ویژگی های مناسبی استخراج و بر اساس این ویژگی‌ها عمل طبقه‌بندی انجام می‌شود. مراحل فوق با استفاده از نرم افزار متلب صورت خواهد گرفت.

     

     

    1-5- تعریف مفاهیم

    سیگنال الکتریکی قلب:

    انتشار پتانسیل عمل در قلب، یک جریان ایجاد می‌کند. این جریان به نوبه خود تولید یک میدان الکتریکی می‌نماید که می‌تواند با استفاده از یک سیستم اندازه‌گیری ولتاژ تفاضلی به صورت خیلی ضعیف در سطح بدن بدست آید. سیگنال اندازه‌گیری شده به این طریق، هنگامی که به وسیله الکترودهایی در مکان‌های استاندارد گرفته شود، به عنوان الکتروکاردیوگرام یا به اختصار ECG شناخته میشود. سیگنال ECG معمولی، در رنج ±2mv است و برای ثبت آن نیاز به دستگاهی با پهنای باند 0.5 تا 15هرتز می‌باشد. به عبارت دیگر ECG یک نمایش گرافیکی از فعالیت قلب به صورت سیگنال الکتریکی است که در طول یک دوره زمانی ثبت شده است[5].

    وجود فعالیت الکتریکی برای ایجاد ضربان در قلب ضروری است. خون‌رسانی کافی به بافت‌‌های بدن، مستلزم تعداد ضربان کافی قلب بوده و هم چنین باید زمان‌بندی و توالی انقباضات عضلانی قلب به دقت هماهنگ باشند. ضربان‌ساز طبیعی قلب، "گره سینوسی- دهلیزی SA " است که یک گروه میکروسکوپی از سلول‌های الکتریکی تخصص یافته قلبی می‌باشند و در بالای دهلیز  راست واقع شده‌اند. به دنبال ایجاد یک تحریک الکتریکی توسط "گره سینوسی– دهلیزی "، یک ضربان قلب ایجاد می‌شود. این تحریک از طریق مسیرهای اختصاصی به سلول‌های بافت عضلانی دیواره‌های قلب منتقل می‌شود. این تحریک ابتدا حفره‌های فوقانی قلب یعنی دهلیزها را منقبض می‌کند و خون را به داخل بطن‌ها  می‌راند. سپس تحریک به ناحیه دیگری از سلول‌های الکتریکی تحت عنوان "گره دهلیزی- بطنی "، که در بالای بطن‌ها واقع شده است، منتقل می‌گردد. این گره به شکل یک ایستگاه تأخیری در مسیر تحریک عمل می‌کند و اجازه می‌دهد دهلیزها به طورکامل تخلیه شوند. پس از یک فاصله کوتاه زمانی، تحریک از طریق مسیرهای شاخه‌ای وارد بطن‌ها شده و منجر به‌انقباض آنها می‌گردد.

    Abstract

     

    Intelligent diagnosis process for heart diseases has been considered by many researchers for many years. In this paper, an efficient method to select appropriate extracted features from the electrocardiogram (ECG) signal is presented, which is based on the Binary Cuckoo Optimization Algorithm (BCOA). The extracted features include Time features, Autoregressive (AR) and Wavelet; and the number of these features is reduced by using the minimum Redundancy Maximum Relevance (mRMR) method or Principal Component Analysis (PCA) functions. Trying to find a suitable set of all features, BCOA creates sets of features. Evaluating this set of selected features is performed through BCOA by applying the Support Vector Machine (SVM) classifier. The Particle Swarm Optimization algorithm (PSO) is then applied to optimize SVM parameters. The obtained results show 98.97% accuracy rate, which confirms the optimal performance of the proposed method comparing with previous researches' accuracy rates.

     

    Keywords: BCOA, ECG, PSO, SVM, PCA, mRMR.

  • فهرست و منابع پایان نامه بهبود طبقه‌ بندی سیگنال الکتروکاردیوگرام (ECG) با ماشین بردار پشتیبان و بهینه‌سازی اجتماع ذرات (PSO-SVM)

    فهرست:

     

    فصل اول                      مقدمه. 1

    1-1- مقدمه. 2

    1-2- تعریف مسئله. 2

    1-3- ضرورت و اهمیت تحقیق.. 3

    1-4- روش تحقیق.. 3

    1-5- تعریف مفاهیم. 4

    سیگنال الکتریکی قلب: 4

    پتانسیل عمل عضله قلب.. 5

    مرحله استراحت : 5

    مرحله دپلاریزاسیون : 5

    مرحله رپلاریزاسیون : 5

    موج P : 6

    منحنی QRS : 6

    موج T : 6

    قطعه ST : 6

    بازه  QT: 6

    بیماریهای ضربان قلب : 6

    فصل دوم                          پیشینه پژوهش... 2

    2-1- مقدمه. 10

    معرفی پایگاه داده: 10

    2-2- طبقه‌بندی سیگنال ECG با استفاده از موجک و شبکه عصبی.. 10

    2-3- طبقه‌بندی سیگنال ECG با استفاده ازموجک و خواص مورفولوژیک و شبکه عصبی.. 11

    2-4- طبقه‌بندی سیگنال ECG با استفاده از تبدیل موجک و شبکه عصبی فازی.. 11

    2-5- طبقه‌بندی سیگنال ECG با استفاده از تبدیل ویولت و شبکه عصبی مصنوعی و الگوریتم پرندگان. 12

    2-6- طبقه‌بندی آریتمی‌های قلبی با استفاده از SVM... 12

    2-7- طبقه‌بندی آریتمی دهلیزی بطنی.. 12

    2-8- طبقه‌بندی سیگنال الکترو‌کاردیو‌گرام با طبقه‌بند ماشین بردار پشتیبان و الگوریتم PSO.. 13

    2-9-  طبقه‌بندی آریتمی‌های قلبی با استفاده از PSO.. 13

    2-10-  رویکرد ترکیبی در طبقه‌بندی سرطان. 14

    2-11- دسته‌بندی آریتمی‌های قلبی بر مینای تبدیل موجک و SVM... 14

    2-12- طبقه‌بندی سیگنال ECG با استفاده از خواص مورفولوژی.. 14

    2-13- انتخاب ویژگی با استفاده از الگوریتم فاخته باینری.. 14

    2-14- انتخاب ویژگی با استفاده از الگوریتم فاخته. 15

    فصل سوم                     معرفی الگوریتم‌ها و روش‌های پردازش سیگنالECG.. 10

    3-1- مقدمه. 17

    3-2- آنالیز موجک... 17

    3-2-1- تبدیل موج پیوسته (CWT) 18

    3-2-2- تبدیل موجک گسسته. 18

    3-3-2-2- تجزیه چند سطحی.. 18

    3-2-4- انتخاب موجک مادر. 19

    3-2-4- ویژگی‌های استخراج شده از ویولت.. 21

    3-3- ویژگی زمانی.. 21

    3-4- استخراج ویژگی با مدل خودبازگشتی(AR) 22

    3-5- استراتژی انتخاب ویژگی.. 22

    3-6- تحلیل مولفه اصلی (PCA) 23

    3-7- روش بیشترین وابستگی و کمترین افزونگی (mRMR) 24

    3-8- الگوریتم فاخته COA.. 26

    3-8-2- جزییات الگوریتم بهینه‌سازی فاخته. 27

    3-8-2-1- تولید محل‌های سکونت اولیه فاخته‌ها (جمعیت اولیه‌ی جواب‌های کاندید) 29

    3-8-2-2- روش فاخته‌ها برای تخم‌گذاری.. 30

    3-8-2-3- مهاجرت فاخته‌ها 30

    3-8-2-4- از بین بردن فاخته‌های قرار گرفته در مناطق نا‌مناسب.. 32

    3-8-2-5- همگرایی الگوریتم. 32

    3-9- گسسته‌‌سازی دودویی الگوریتم فاخته. 33

    3-10- ماشین بردار پشتیبان(SVM) 33

    3-11- الگوریتم بهینه‌سازی ذرات(PSO) 35

    3-11-1- وزن اینرسی.. 36

    3-12- شمای کلی سیستم طبقه‌بندی سیگنال ECG.. 38

    فصل چهارم                        روش پیشنهادی طبقه‌بندی سیگنال ECG.. 17

    4-1- مقدمه. 40

    4-2- پیش‌پردازش سیگنال ECG.. 41

    4-2-1- شیفت سیگنال به انحراف زمینه. 42

    4-2-2- حذف مقدار متوسط سیگنال. 42

    4-2-3- حذف نویز ناشی از برق شهر. 43

    4-2-4- هموارسازی سیگنال. 43

    4-2-5- پنجره‌گذاری سیگنال. 43

    4-2-6- آزمون همبستگی و حذف ضربان‌های نا‌همبسته. 44

    4-2-7- انتخاب داده‌های آموزش و آزمون. 44

    4-3- ویژگی‌های سیگنال. 47

    4-3-1- استخراج ویژگی.. 47

    4-3-1-1- ویژگی زمانی.. 47

    4-3-1-2- ویژگی موجک... 47

    4-3-1-3- ویژگی AR.. 47

    4-3-1-4- شناسایی نقاط پراهمیت سیگنال با استفاده از PCA.. 48

    4-3-2-ترکیب و ادغام ویژگی‌ها 48

    4-3-2-1- انتخاب ویژگی با PCA.. 48

    4-3-2-2- انتخاب ویژگی با mRMR.. 49

    4-3-2-3- انتخاب ویژگی با استفاده از الگوریتم فاخته. 49

    4-4- طبقه‌بندی با استفاده از SVM... 51

    فصل پنجم                 نتیجه‌گیری. 55

    5-1- مقدمه. 56

    5-2- مقایسه و نتیجه‌گیری.. 56

    5-4- ارائه پیشنهاد. 57

    منابع : 58

     

     

    منبع:

     

     

    ]1[ موذن، ایمان. احمد زاده، محمد رضا. (1388)، طراحی یک سامانه بازشناسی برای رده بندی سیگنالهای قلب براساس تبدیل موجک و شبکههای عصبی احتمالی، فصل نامه علمی پژوهشی مجلسی، سال سوم، شماره سوم، صص 31-37.

    ]2[ قبادی محبی، سحر. (1389)، تشخیص و طبقه بندی آریتمی های قلبی با استفاده از روش SVM، سیزدهمین کنفرانس دانشجویی مهندسی برق ایران.

    [3] Melgani, F. And Bazi, Y. (2008), Classification of Electrocardiogram Signals with Support Vector Machines and Particle Swarm Optimization, IEEE Transactions on Information Technology in Biomedicine, VOL. 12, No. 5, pp. 667-677.

    ]4[مخلصی، امید. مهرشاد، ناصر. رضوی، سید محمد. (1390)، به کارگیری ساختارهای ترکیبی از شبکه های عصبی به منظور تشخیص آریتمی های قلبی با استفاده از ادغام ویژگی های موجک و زمانی، سیستم های هوشمند در مهندسی برق، سال دوم، شماره اول.

    ]5[ خزایی، علی. (1389)، طبقه بندی بیماری های قلبی، پایان نامه کارشناسی ارشد دانشگاه صنعتی نوشیروانی.

    [6] R.G. Mark, and G. B. Moody, MIT-BIH Arrhythmia Database 1997 [Online]. Available: http://ecg.mit.edu/dbinfo.html.

    [7] Ghorbanian, P. Ghaffari, A.  Jalali, A. Nataraj, C. (2010) Heart arrhythmia detection using continuous wavelet transform and principal component analysis with neural network classifier. Computing in Cardiology IEEE Conference, pp 669-672.

    [8] گایتون، آرتور؛ فیزیولوژی پزشکی، سپهری و دیگران، تهران، اندیشه رفیع، 1387، چاپ سوم، ص 56.

    [9] L.Y. Shyu, Y.H. Wu, W.C. Hu,(2004) Using wavelet transform and fuzzy neural network for VPC detection from the Holter ECG, IEEE Trans. Biomed. Eng. 51, 1269–1273.

    [10] T. Ince, S. Kiranyaz, and M. Gabbouj, (2009) A Genetic and Robust System for Automated Patient-Specific Classification of Electrocardiogram Signals, IEEE Trans. Biomed. Eng. 56, 1415-1426.

    [11] Testing and Reporting Performance Results of Cardiac Rhythm and ST Segment Measurement Algorithms, ANSI/AAMI EC57:1998 standard, Association for the Advancement of Medical Instrumentation, 1998.

    ]12[ کتایون شجاعیان، رسول امیرفتاحی، (1387) شناسایی آریتمی‌های حاد دهلیزی- بطنی بر اساس بخش‌بندی و تشخیص، مهندسی برق مجلسی، سال دوم، شماره اول.

    [13] I. Guyon, A. Elisseeff(2003), “An introduction to variable and feature selection”, Journal of Machine Learning Research, Vol. 3, pp. 1157–1182.

    [14] Khazaee, A. (2013), Heart Beat Classification Using Particle Swarm Optimization,  I.J. Intelligent Systems and Applications, Vol.5, No. 6, pp. 25-33.

    [15] Y. Peng, W. Li, Y. Liu, (2006) A hybrid approach for biomarker discovery from microarray gene expression data for cancer classification, Cancer Informatics, Vol. 2, pp.301–311.

    ]16 [کلاته میمری؛ عاطفه؛ شیرازی؛ جلیل؛ (1391)؛ دسته بندی آریتمی های قلبی بر مینای تبدیل موجک و SVM؛ چهارمین کنفرانس مهندسی برق و الکترونیک ایران.

    [17]  de Chazal F. and R. B. Reilly, (2006) A patient adapting heart beat classifier using ECG morphology and heartbeat interval features,  IEEE Trans. Biomed. Eng., vol. 53, no. 12, pp. 2535–2543.

    [18] L. A. M. Pereira, D. Rodrigues, T. N. S. Almeida, C. C. O. Ramos, A. N. Souza, X.-S. Yang, J. P. Papa, (2013)  BCS: A Binary Cuckoo Search algorithm for feature selection,  Studies in Computational Intelligence, Vol 516, pp 141-154.

    [19] D Rodrigues, Pereira, L.A.M. ; Almeida, T.N.S. ; Papa, J.P. ; Souza, A.N. ; Ramos, C.C.O. ; Xin-She Yang, (2013) BCS: A binary cuckoo search algorithm for feature selection, Circuits and Systems (ISCAS), 2013 IEEE International Symposium, 465-468.

    [20] Ghanbari, Karami-Mollaei, (2006) A new approach for speech enhancement based on the adaptive thresholding of the wavelet packets, speech communication, Elsevier.

    [21] Burrus, C. Sidney, Gopinath, Ramesh Á., and Guo, Haitao. (1998). Introduction to Wavelets and Wavelet Transforms: A Primer. Uuper Saddle River, New Jersey: Prentice-Hall.

    [22] R. N. Khushaba, A. Al-Jumaily, and A. Al-Ani, (2007) Novel Feature Extraction Method based on Fuzzy Entropy and Wavelet Packet Transform for Myoelectric Control, 7th International Symposium on Communications and Information Technologies ISCIT2007, Sydney, Australia, pp. 352 – 357.

    [23] Kumar D, Tripathy RK, Acharya A (2014) Least square support vector machine based multiclass classification of EEG signals, WSEAS T Signal Process 10(1):86-94.

    [24] Behar, Joachim, et al. (2013) "ECG signal quality during arrhythmia and its application to false alarm reduction." IEEE transactions on bio-medical engineering 60.6, 1660-1666.

    [25] L. Yu, H. Liu, (2004 ) “Efficient feature selection via analysis of relevance and redundancy”, Journal of Machine Learning Research, Vol. 5, pp. 1205–1224.

    [26] Aleix M. Martinez, Avinash C. Kak, (2001) ‘’Pca versus Lda’’, IEEE Trans. On Pattern Analysis and Machine Intelligence. Vol. 2, pp. 228-233.

    [27] Jiwen Lu, Erhu Zhang, (2007) ‘’Gait recognition for human identification based on ICA and fuzzy SVM through multiple views fusion’’, Nanyang Technological University, Nanyang Avenue, Singapore,  pp. 2401–2411.

    [28] S. Thodoridis and K. Koutroumbas, (2009) ‘’Pattern recognition’’, Fourth Edition, Elsevier.

    [29] A.K Jain, R.P.W. Duin and J. Mao, (2000) ‘’Statistical pattern recognition: A review’’, IEEE Tran. On Pattern Analysis and Machine Intelligence. Vol. 22, No. 1, pp. 4-37.

    [30] Ramin Rajabioun (2011), “Cuckoo Optimization Algorithm”. Applied Soft Computing, Volume 11, Issue 8, Pages 5508-5518.

    [31] H. Peng, F. Long and C. Ding, (2005) ‘’Feature selection based on mutual information: Criteria of max-dependency, max relevance, and min-redundancy’’, IEEE Tran. On Pattern Analysis and Machine Intelligence. Vol. 27, No. 8.

    [32] Y. Shi and R. C. Eberhart, (2001) "Fuzzy Adaptive Particle Swarm Optimization", in Proceedings of IEEE International Conference on Evolutionary Computation, pp. 101- 106.

    [33] H. Liu and A. Abraham, (2005) "Fuzzy Turbulent Particle Swarm Optimization", in Proceedings of 5th IEEE International Conference on Hybrid Intelligent Systems.

    [34] Ying -Wen Bai, Wen-Yang Chu, Chien-Yu, Yi-Ting, Yi- Ching Tsai and Cheng-Hung Tsai. (2004) "Adjustable 60 HZ Noise Reduction by a Notch Filter for ECG signal" International and Measurement Technology conference como Itlay 18-20.

    [35] Matthew Swain (2011) A Wavelet Transform Approach to the Analysis of Atrial Fibrillation Electrograms, College London, MSci Project.

    [36] Mahmoodabadi, A. Ahmadian, and M. Abolhasani, (2005) "ECG feature extraction using Daubechies wavelets," in Proceedings of the fifth IASTED International conference on Visualization, Imaging and Image Processing, pp. 343-348.

    ]37[ علی توکل پور صالح، "تشخیص بیماری پارکینسون مبتنی بر پردازش تصاویر ویدیویی  "، پایان نامه کارشناسی ارشد دانشگاه صنعتی نوشیروانی،1393.

    [38] H. Peng, F. Long and C. Ding, (2005) ‘’Feature selection based on mutual information: Criteria of max-dependency, max relevance, and min-redundancy’’, IEEE Tran. On Pattern Analysis and Machine Intelligence. Vol. 27, No. 8.

    [39] Engin, Mehmet.(2004).ECG beat classification using neruro-fuzzy network.paternRecognition Letters 25.15:1715-1722.



تحقیق در مورد پایان نامه بهبود طبقه‌ بندی سیگنال الکتروکاردیوگرام (ECG) با ماشین بردار پشتیبان و بهینه‌سازی اجتماع ذرات (PSO-SVM), مقاله در مورد پایان نامه بهبود طبقه‌ بندی سیگنال الکتروکاردیوگرام (ECG) با ماشین بردار پشتیبان و بهینه‌سازی اجتماع ذرات (PSO-SVM), پروژه دانشجویی در مورد پایان نامه بهبود طبقه‌ بندی سیگنال الکتروکاردیوگرام (ECG) با ماشین بردار پشتیبان و بهینه‌سازی اجتماع ذرات (PSO-SVM), پروپوزال در مورد پایان نامه بهبود طبقه‌ بندی سیگنال الکتروکاردیوگرام (ECG) با ماشین بردار پشتیبان و بهینه‌سازی اجتماع ذرات (PSO-SVM), تز دکترا در مورد پایان نامه بهبود طبقه‌ بندی سیگنال الکتروکاردیوگرام (ECG) با ماشین بردار پشتیبان و بهینه‌سازی اجتماع ذرات (PSO-SVM), تحقیقات دانشجویی درباره پایان نامه بهبود طبقه‌ بندی سیگنال الکتروکاردیوگرام (ECG) با ماشین بردار پشتیبان و بهینه‌سازی اجتماع ذرات (PSO-SVM), مقالات دانشجویی درباره پایان نامه بهبود طبقه‌ بندی سیگنال الکتروکاردیوگرام (ECG) با ماشین بردار پشتیبان و بهینه‌سازی اجتماع ذرات (PSO-SVM), پروژه درباره پایان نامه بهبود طبقه‌ بندی سیگنال الکتروکاردیوگرام (ECG) با ماشین بردار پشتیبان و بهینه‌سازی اجتماع ذرات (PSO-SVM), گزارش سمینار در مورد پایان نامه بهبود طبقه‌ بندی سیگنال الکتروکاردیوگرام (ECG) با ماشین بردار پشتیبان و بهینه‌سازی اجتماع ذرات (PSO-SVM), پروژه دانشجویی در مورد پایان نامه بهبود طبقه‌ بندی سیگنال الکتروکاردیوگرام (ECG) با ماشین بردار پشتیبان و بهینه‌سازی اجتماع ذرات (PSO-SVM), تحقیق دانش آموزی در مورد پایان نامه بهبود طبقه‌ بندی سیگنال الکتروکاردیوگرام (ECG) با ماشین بردار پشتیبان و بهینه‌سازی اجتماع ذرات (PSO-SVM), مقاله دانش آموزی در مورد پایان نامه بهبود طبقه‌ بندی سیگنال الکتروکاردیوگرام (ECG) با ماشین بردار پشتیبان و بهینه‌سازی اجتماع ذرات (PSO-SVM), رساله دکترا در مورد پایان نامه بهبود طبقه‌ بندی سیگنال الکتروکاردیوگرام (ECG) با ماشین بردار پشتیبان و بهینه‌سازی اجتماع ذرات (PSO-SVM)

ثبت سفارش
تعداد
عنوان محصول
بانک دانلود پایان نامه رسا تسیس