دانلود رایگان ترجمه مقاله شناسایی آریتمی با الکتروکاردیوگرام دو سرب با شبکه عصبی مصنوعی و ماشین بردار پشتیبانی – Mdpi 2013

MDPI2

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

شناسایی آریتمی به کمک الکتروکاردیوگرام ۲ لید با استفاده از شبکه عصبی مصنوعی و ماشین بردار پشتیبان برای یک دستگاه مانیتور ECG دستی

عنوان انگلیسی مقاله:

Arrhythmia Identification with Two-Lead Electrocardiograms Using Artificial Neural Networks and Support Vector Machines for a Portable ECG Monitor System

 
 
 
 
 

 

مشخصات مقاله انگلیسی (PDF)
سال انتشار ۲۰۱۳
تعداد صفحات مقاله انگلیسی ۱۶ صفحه با فرمت pdf
رشته های مرتبط با این مقاله مهندسی پزشکی
گرایش های مرتبط با این مقاله سایبرنتیک پزشکی و بیوالکتریک
چاپ شده در مجله (ژورنال) سنسورها – Sensors
کلمات کلیدی SVM، ضربان قلب، شناسایی آریتمی
ارائه شده از دانشگاه گروه علوم کامپیوتر و مهندسی اطلاعات، دانشگاه صنعتی چویانگ، تایوان
رفرنس دارد 
کد محصول F1402
نشریه MDPI

 

مشخصات و وضعیت ترجمه فارسی این مقاله (Word)
وضعیت ترجمه انجام شده و آماده دانلود
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش  ۲۰ صفحه (۲ صفحه رفرنس انگلیسی) با فونت ۱۴ B Nazanin
ترجمه عناوین تصاویر و جداول ترجمه شده است 
ترجمه متون داخل تصاویر ترجمه نشده است  
ترجمه متون داخل جداول ترجمه نشده است 
درج تصاویر در فایل ترجمه درج شده است  
درج جداول در فایل ترجمه درج شده است  
درج فرمولها و محاسبات در فایل ترجمه  به صورت عکس درج شده است  
منابع داخل متن درج نشده است 
کیفیت ترجمه کیفیت ترجمه این مقاله متوسط میباشد 

 

فهرست مطالب
چکیده
۱-مقدمه
۲-بخش روش اجرا
۲-۱-پایگاه داده ها
۲-۲-فیلترسازی و نرمالسازی
۲-۳-شناسایی کمپلکس های QR و استخراج شکل امواج
۲-۴-طبقه بندی اریتمی
۳-نتایج و بحث
۴-نتیجه گیری ها
 

 

بخشی از ترجمه
 چکیده
یک پیکربندی به صورت اتوماتیک که می تواند از روی سیگنالهای پیوسته الکتروکاردیوگرام (ECG) در بانک داده های اریتمی MIT-BIH موقعیت امواج R را شناسایی نماید، و ریتم نرمال سینوسی NSR و چهار نوع دیگر اریتمی را طبقه بندی نماید، دراین مقاله مطرح گردیده است. در این نوع پیکربندی، یک ماشین بردار پشتیبان SVM برای شناسایی و علامتگذاری ضربان قلب ECG به کمک سیگنالهای خام و سیگنالهای افتراقی یک ECG لید بکار گرفته شده است. یک الگوریتم مبتنی بر علامتگذاری های استخراجی کار تقسیم بندی شکل امواج ECG 2 لید و ۶ لید را به عنوان خصوصیات طبقه بندی الگو انجام می دهد. یک شبکه استنباطی فازی عصبی خودسازه SoNFIN برای طبقه بندی NSR و چهار نوع اریتمی بکار برده شد از جمله انقباضات زودرس بطنی PVC، انقباضات زودرس دهلیزی PAC، انسداد دسته شاخه چپ LBBB، و انسداد دسته شاخه راست RBBB. در یک شرح وضعیت واقعی، نتایج طبقه بندی نشان داده که صحت کسب شده برابر با ۹۶٫۴% می باشد. این عملکرد برای یک دستگاه مانیتور ECG دستی جهت اهداف مراقبت خانگی مناسب است.
 
۱- مقدمه
پزشکی از راه دور اخیرا وسیعا مورد مطالعه و بررسی قرار گرفته است. در تحقیقات گذشته، امکان مانیتورینگ بیماری در منزل به بیماران مبتلا به نارسایی قلبی احتقانی باعث مزیت های اقتصادی زیادی گردیده است. الکتروکاردیوگرام ECG یک ابزار مهم است که اطلاعات مفیدی را درباره وضعیت کارکرد قلب بدست می دهد. یک روش خودکار که به طور صحیحی بیماری های قلبی را از طریق تحلیل سیگنالهای ECG تشخیص بدهد در حوزه بهداشت و درمان بویژه برای پردازش در زمان واقعی ضروری می باشد. تحقیقات گذشته مسائل شناسایی نبض و طبقه بندی ریتم قلبی را مطرح کرده است. سیگنال نبض موج QRS را در ECG شناسایی نموده و فواصل بین ضربانی را محاسبه می کند. طبقه بندی ریتم های قلبی براساس شناسایی انواع مختلف اریتمی از شکل امواج ECG می باشد.
ولیکن، سیگنالهای ECG نویزهای مزدوجی هم دارد که به دلیل عواملی مانند سیگنالهای خط برق ۵۰/۶۰ Hz، انحراف از خط پایه به دلیل تنفس بیمار، الکترودهای بد، مکان نامناسب الکترود یا الکترومیوگرام می باشد. این نویزها منجر به شناسایی موج QRS کاذب می گردد. از اینرو، برخی مطالعات به مقایسه عملکرد مستحکم الگوریتم های متفاوت برای شناسایی موج QRS پرداخته اند. Widrow و همکارانش فیلتر سازشی را برای کاهش نویز بکار بسته اند که منجر به خطوط برق ۶۰ هرتزی و انحراف از خط پایه گردیده و بعد موج QRS شناسایی شده است. Pan & Tompkins به طراحی فیلتری دیجیتالی برای کاهش نویز پرداختند و از یک حداستانه دینامیک برای شناسایی موج QRS استفاده نمودند. Trahanias از مورفولوژی ریاضی کمپلکس QRS برای شناسایی نبض استفاده نمود. Chang از تجزیه مدل تجربی مجموعه برای کاهش نویز در ECGهای اریتمی استفاده نمود. Fan از انتروپی تقریبی ApEn و کمپلکس Kempel-Ziv به عنوان یک کمیت غیرخطی برای اندازه گیری عمق بیهوشی استفاده کرد. در این گونه مطالعات، سیگنال ECG سینوس نرمال به اضافه انواع نویز مختلف و انرژی برای ارزیابی عملکرد این الگوریتم ها بکار برده شده است. چندین محقق استخراج خصوصیات شکل امواج ECG را برای شناسایی کمپلکس های QRS مبتنی بر پایگاه داده های اریتمی انجام داده اند. Li و همکارانش روش تغییر شکل های موجک را برای شناسایی کمپلکس QRS از روی امواج بلند P یا T، نویز و انحراف از خط پایه مطرح داشته اند. Yeh & Wang روش عملیات تفاوت را برای شناسایی امواج کمپلکس QRS مطرح کرده اند. Mehta & Lingayat از روش ماشین بردار پشتیبان یا SVM برای شناسایی کمپلکس های QRS از یک ECG 12 لیده استفاده نمودند. ایشان نیز از الگوریتم میانگین K برای شناسایی کمپلکس های QRS در سیگنالهای ECG استفاده کرده اند.
آریتمی را می توان یا به شکل یک ضربان قلب تکی نامنظم یا گروهی از ضربان های قلب تعریف کرد. برخی تکنیک های طبقه بندی مبتنی بر طبقه بندی ضربان به ضربان در ECG می باشند و هر ضربان به چندین نوع ضربان اریتمی متفاوت طبقه بندی می شود. اینها شامل شبکه های عصبی مصنوعی، شبکه های عصبی فازی، عملیات Hermite همراه با نقشه های خودسازماندهی و تحلیل موجک همراه با شبکه های عصبی عملیات پایه شعاعی می باشد. در این روشها، شکل موج ECG در هر ضربان به طوردستی انتخاب شده و خصوصیات مختلف برای طبقه بندی انواع اریتمی استخراج گردید. Tsipouras و همکارانش از سیگنال فاصله RR برای طبقه بندی برخی انواع اریتمی مبتنی بر یک گروه از ضربان های قلب استفاده نمودند. کلیه روشهای فوق دارای صحت های طبقه بندی بالایی است که برپایه مورفولوژی کامل ECG یا فاصله صحیح RR بدست آمده که به طور دستی شناسایی گردید.
در این مطالعه، ما یک پیکربندی خودکار را همراه با پردازش سیگنال دیجیتال و نیز یک روش هوش مصنوعی را برای شناسایی موقعیت ضربان های قلب و شناسایی این ضربان های قلب با طبقه بندی به عنوان ریتم سینوسی نرمال یا NSR یا چهار نوع اریتمی مطرح کرده ایم. چهار نوع اریتمی عبارتند از انقباضات زودرس بطنی PVC، انقباضات زودرس دهلیزی PAC، انسداد دسته شاخه چپ LBBB، و انسداد دسته شاخه راست RBBB. سیگنالهای EGC توسط پایگاه داده های اریتمی MIT-BIH فراهم گردیده است. این پیکربندی خودکار دارای سه مرحله به ترتیب ذیل می باشد:
۱-سیگنال های ۲ لید برای کاهش نویز مزدوج نرمالسازی و فیلتره شده اند (بخش ۲-۲).
۲-موقعیت های کمپلکس QRS در لید ۲ شناسایی گردید و از طریق یک SVM خوب آموزش دیده علامتگذاری شد. دو شکل امواج در هر ضربان قلب در لید ۲ و V1 به طور تکی طبق علائم درلید ۲ استخراج گردید (بخش ۲-۳).
۳-شکل موج استخراجی به شکل خصوصیتی برای شناسایی نوع اریتمی یک ضربان قلب استفاده شده است. در این پیکربندی، یک شبکه استنباطی فازی عصبی خودسازه SoNFIN برای تشخیص نوع اریتمی ضربان قلب با استفاده از سیگنالهای خام لید ۲ و V1 (بخش ۲-۴) استفاده گردیده است.
وانگهی، صحت شناسایی ضربان قلب طبق نتایج طبقه بندی SoNFIN افزایش یافته است.

 

بخشی از مقاله انگلیسی

Abstract

An automatic configuration that can detect the position of R-waves, classify the normal sinus rhythm (NSR) and other four arrhythmic types from the continuous ECG signals obtained from the MIT-BIH arrhythmia database is proposed. In this configuration, a support vector machine (SVM) was used to detect and mark the ECG heartbeats with raw signals and differential signals of a lead ECG. An algorithm based on the extracted markers segments waveforms of Lead II and V1 of the ECG as the pattern classification features. A self-constructing neural fuzzy inference network (SoNFIN) was used to classify NSR and four arrhythmia types, including premature ventricular contraction (PVC), premature atrium contraction (PAC), left bundle branch block (LBBB), and right bundle branch block (RBBB). In a real scenario, the classification results show the accuracy achieved is 96.4%. This performance is suitable for a portable ECG monitor system for home care purposes.

۱ Introduction

Telemedicine has been widely studied recently. In past research, allowing congestive heart failure patients to monitor their condition at home offered great economic advantages. Electrocardiograms (ECGs) are an important tool that provide useful information about the functional status of the heart. An automated method that accurately diagnoses cardiac diseases through the analysis of ECG signals is critical in healthcare [1], especially for real-time processing. Past research has addressed the problems of heart rate detection and classification of cardiac rhythms. The heart rate signal detects the QRS wave of the ECG and calculates inter-beat intervals [2–۹]. The classification of cardiac rhythms is based on the detection of the different types of arrhythmia from the ECG waveforms [10–۱۳].

However, ECG signals have coupling noises, due to factors such as 50/60 Hz power line signals, the baseline drift caused by patient breathing, bad electrodes, improper electrode location, or electromyograms. These noises result in false QRS wave detections. Thus, some studies have compared the robust performance of different algorithms for QRS wave detection [2]. Widrow et al. applied the adaptive filter to reduce noises that resulted from 60 Hz power lines and baseline drift, and then detect the QRS wave [14]. Pan and Tompkins designed a digital filter to reduce the noise and used a dynamic threshold to detect the QRS wave [4]. Trahanias used the mathematical morphology of the QRS complex to detect heart rates [5]. Chang used the ensemble empirical model decomposition to reduce noises in arrhythmia ECGs [15]. Fan used approximate entropy (ApEn) and Lempel-Ziv complexity as a nonlinear quantification to measure the depth of anaesthesia [16]. In these studies, the normal sinus ECG signal added different noise types and energy was used to evaluate the performance of these algorithms. Several researchers have extracted the features of ECG waveforms to detect the QRS complexes based on the arrhythmia database. Li et al. proposed the wavelet transforms method for detecting the QRS complex from high P or T waves, noise, and baseline drift [6]. Yeh and Wang proposed the difference operation method to detect the QRS complex waves [8]. Mehta and Lingayat used the support vector machine (SVM) method to detect the QRS complexes from a 12-leads ECG [9]. They also used the K-mean algorithm for the detection of QRS complexes in ECG signals [17].

Arrhythmia can be defined as either an irregular single heartbeat or a group of heartbeats. Some classification techniques are based on the ECG beat-by-beat classification with each beat being classified into several different arrhythmic beat types. These include artificial neural networks [11], fuzzy neural networks [18], Hermite functions combined with self-organizing maps [19], and wavelet analysis combined with radial basis function neural networks [20]. In these methods, the ECG waveform of each beat was picked up manually and different features were extracted to classify the arrhythmic types. Tsipouras et al. used the RR-interval signal to classify certain types of arrhythmia based on a group of heartbeats [12]. All the above methods have high classification accuracies that were obtained based on the complete morphology of the ECG or the correct RR-interval that was detected manually.

In this study, we propose an automatic configuration integrating digital signal processing and an artificial intelligence method to detect the position of heartbeats and recognize these heartbeats as belonging to the normal sinus rhythm (NSR) or four arrhythmic types. The four arrhythmic types are premature ventricular contraction (PVC), premature atrium contraction (PAC), left bundle branch block (LBBB), and right bundle branch block (RBBB). ECG signals are provided by the MIT-BIH Arrhythmia Database [21]. This automatic configuration had three steps, as follows:

۱٫ The Lead II signals were normalized and filtered to reduce the coupled noise (Section 2.2).

۲٫ The positions of QRS-complexes in Lead II were detected and marked via a well-trained SVM. Two waveforms of each heartbeat in Lead II and V1 were individually extracted according the markers in Lead II (Section 2.3).

۳٫ The extracted waveform was used as a feature to recognize the arrhythmic type of a heartbeat. In this configuration, a self-constructing neural fuzzy inference network (SoNFIN) was used to recognize the arrhythmic type of the heartbeat using the raw Lead II and V1 signals (Section 2.4).

Moreover, the heartbeat detection accuracy has been increased by the SoNFIN classification results.

 

 

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

شناسایی آریتمی به کمک الکتروکاردیوگرام ۲ لید با استفاده از شبکه عصبی مصنوعی و ماشین بردار پشتیبان برای یک دستگاه مانیتور ECG دستی

عنوان انگلیسی مقاله:

Arrhythmia Identification with Two-Lead Electrocardiograms Using Artificial Neural Networks and Support Vector Machines for a Portable ECG Monitor System

 
 
 
 
 

 

 

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *