دانلود مقاله ترجمه شده الگوریتم PSO-SVM تازه نیمه پیوسته موازی مشارکتی – ۲۰۱۲ IEEE

الگوریتم PSO-SVM تازه نیمه پیوسته موازی مشارکتی : مطالعه ای مبنی بر شناسایی آپنه خواب

A Novel Partially Connected Cooperative Parallel PSO-SVM Algorithm: Study Based on Sleep Apnea Detection

چکیده

۱- مقدمه

۲- اطلاعات فنی پیش نیاز

الف ) ماشین بردار پشتیبان

ب) بهینه سازی ازدحام ذرات (PSO)

ج) PSO موازی

۳- روش و خط مشی مورد استفاده

الف ) تقسیم بندی سیگنال

ب) استخراج ویژگی

ج) الگوریتم PSO-SVM موازی

ارائه ی ذرات

مقدار دهی اولیه

ارزیابی ذرات

ساختار موازی

۴- نتایج و مباحث

۵- جمع بندی

منابع

چکیده

مشکلات خواب در میان عموم مردم، مشکل رایجی می باشد. این مشکلات از میان هر ۵ نفر، ۱ نفر را درگیر خودشان می کنند و عوارض جانبی کوتاه مدت و بلند مدت بر روی سلامتی انسان دارند. آپنه در زمان خواب (SA) رایج ترین و مهم ترین بخش از مشکلات خواب را شکل می دهد. این مقاله یک روش خودکار برای شناسایی رخداد های آپنه ارائه می دهد و به این منظور از چند سیگنال زیستی محدود استفاده می کند که مرتبط با مشکلات تنفسی می باشد. این کار تنها از جریان هوا، حرکات تنفسی شکمی و سینه ای به عنوان ورودی استفاده می کند. الگوریتم پیشنهاد شده شامل سه بخش اصلی می باشد که این بخش ها شامل تقسیم بندی سیگنال، تولید ویژگی و طبقه بندی می باشد. یک روش تقسیم بندی جدید در این قسمت ارائه شده است که به صورت هوشمند سیگنال های ورودی را برای طبقه بندی بعدی، تقسیم بندی می کند سپس ویژگی های مورد نیاز برای هر بخش با استفاده زا ضریب بسته های موجک و همچنین سیگنال های اصلی، ایجاد می شود. در فاز طبقه بندی یک الگوریتم PSO-SVM موازی یکتا مورد بررسی قرار می گیرد. در این قسمت PSO به منظور تنظیم کردن پارامتر های SVM و کاهش داده ها مورد استفاده قرار می گیرد. این ساختار موازی پیشنهاد شده به PSO کمک می کند تا به فضای جست جوی کارآمد تری دست پیدا کند و همچنین مانع همگرایی سریع و حالت بهینه ی محلی می شود که این مشکلات، به صورت رایج در دیگر مسئله های بهینه سازی دیده میشود. نتایج به دست آمده نشان می دهد که روش پیشنهاد شده روشی موثر و قوی برای شناسایی آپنه در زمان خواب می باشد و تست های آماری انجام شده نیز نشان دهنده ی برتری این روش نسبت به روش های قبلی ، حتی با سیگنال های ورودی بیشتر می باشد . این روش نسبت به روش های غیر ترکیبی PSO-SVM هم عملکرد بهتری دارد. استفاده از سیگنال های کمتر به معنی راحتی بیشتر سوژه و همچنین کاهش هزینه ها در طول ثبت داده ها می باشد.

۵- جمع بندی

در این مقاله، یک الگوریتم موازی PSO-SVM پیشنهاد شده است تا بتوان آپنه در حالت خواب را شناسایی کرد. این کار بر اساس سه سیگنال ورودی ( جریان ورودی، جابجایی های شکمی و جابجایی های سینه ای) برای الگوریتم ، کار می کند. این الگوریتم شامل سه بخش اصلی می باشد ؛ بخش بندی سیگنال، تولید ویژگی و طبقه بندی. در هر بخش این الگوریتم جدید با توجه به ماهیت رخداد های آپنه ایجاد می شود. در فاز بخش بندی سیگنال، سیگنال ها به صورت پنجره های زمانی بدون هم پوشان تقسیم بندی می شوند که با نام RU ها شناخته می شود. هر RU ممکن است حداقل یک رخداد آپنه ی خواب را شامل شود. این روش بخش بندی با استفاده از پردازش دیجیتال سیگنال به ما کمک می کند تا نتایج بهتری را در فاز تولید بعدی در مقایسه با روش بخش بندی بدون آگاهی، به دست بیاوریم. بعد از این تقسیم بندی، ویژگی ها بر اساس ضریب تبدیل موجک و خود سیگنال اصلی، تولید می شود. در نهایت، یک PSO-SVM ، RU ها را به صورت بازه های شامل آپنه در زمان خواب یا RU های نرمال تقسیم بندی می کنند. ساختار واحد الگوریتم های موازی به PSO کمک می کند تا بهره وری و جست جو را با استفاده از ازدحام های متصل و تفکیک شده، بهتر انجام دهد.

Abstract

Sleep disorders are common in a general population. It effect one in 5 adults and has several short term and long term bad side effects on health. Sleep apnea (SA) is the most important and common component of sleep disorders. This paper presents an automatic approach for detecting apnea events by using few bio-singles that are related to breathe defect. This work uses only air flow, thoracic and abdominal respiratory movement as input. The proposed algorithm consists of three main parts which are signal segmentation, feature generation and classification. A new proposed segmentation method intelligently segments the input signals for further classification, then features are generated for each segment by wavelet packet coefficients and also original signals. In classification phase a unique parallel PSO-SVM algorithm is investigated. PSO used to tune SVM parameters, and also data reduction. Proposed parallel structure used to help PSO to search space more efficiently, also avoiding fast convergence and local optimal results that are common problem in similar parallel algorithms. Obtained results demonstrate that the proposed method is effective and robust in sleep apnea detection and statistical tests on the results shown superiority of it versus previous methods even with more input signals, and also versus single PSO-SVM. Using fewer signals means more comfortable to subject and also, reduction of cost during recording the data.

V- Conclusion

In this paper, a novel Parallel PSO-SVM algorithm is proposed to detect sleep apnea. It works based three input signals (airflow, abdominal and throat movements) to the proposed algorithm. This algorithm consists of three main parts; signal segmentation, feature generation, and classification. In each part new algorithm is developed by attention to the nature of sleep apnea events. In the signal segmentation phase, signals are segmented to non overlapped time windows named RUs. Each RU may contain at least one Sleep apnea event. This segmentation by smart processing the signals helps to achieve better result in future generation phase versus blind segmentation. After segmentation, features are generated by wavelet packet coefficients and also original signals. Finally, a parallel PSOSVM classified RUs as sleep apnea or normal. The unique structure of the parallel algorithms helps PSO to have both exploration and exploitation together, by use of connected and isolated swarms.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

الگوریتم PSO-SVM تازه نیمه پیوسته موازی مشارکتی : مطالعه ای مبنی بر شناسایی آپنه خواب

A Novel Partially Connected Cooperative Parallel PSO-SVM Algorithm: Study Based on Sleep Apnea Detection