مشخصات مقاله:
عنوان فارسی مقاله:
عنوان انگلیسی مقاله:
کلمات کلیدی مقاله:
مناسب برای رشته های دانشگاهی زیر:
مهندسی کامپیوتر – پزشکی
مناسب برای گرایش های دانشگاهی زیر:
مهندسی الگوریتم ها و محاسبات – هوش مصنوعی – قلب و عروق
وضعیت مقاله انگلیسی و ترجمه:
مقاله انگلیسی را میتوانید به صورت رایگان با فرمت PDF از باکس زیر دانلود نمایید. ترجمه این مقاله با فرمت WORD – DOC آماده خریداری و دانلود آنی میباشد.
فهرست مطالب:
خلاصه
1. مقدمه
2. کارهای مرتبط
3. مواد و روش ها
4. نتایج آزمایش
5. نتیجه گیری
منابع
قسمتی از مقاله انگلیسی و ترجمه آن:
Abstract
Arrhythmia is one of the major cause of deaths across the globe. Almost 17.9 million deaths are caused due to cardiovascular diseases. In order to reduce this much mortality rate, the cardiovascular disease should be properly identified and the proper treatment for the same should be immediately provided to the patients. In this study, a new ensemble based support vector machine (SVM) classifier was proposed to classify heartbeat into four classes from MIT-BIH arrhythmia database. The results were compared with other classifiers that are SVM, Random Forest (RF), K-Nearest Neighbours (KNN), and Long Short Term Memory network. The four features were extracted from the ECG signals that were used by the classifiers are Wavelets, high order statistics, R-R intervals and morphological features. An ensemble of SVMs obtained the best result with an overall accuracy of 94.4%.
خلاصه
آریتمی یکی از عمده ترین دلایل مرگ در سراسر جهان است. تقریبا 17.9 میلیون مرگ و میر، ناشی از بیماریهای قلبی عروقی است. به منظور کاهش این میزان مرگ و میر ، بیماریهای قلبی عروقی باید به درستی شناسایی شود و درمان مناسب باید فورا به بیماران ارائه شود . در این مطالعه ، یک طبقه بندی جدید ماشین بردار پشتیبانی مبتنی بر گروه (SVM) برای طبقه بندی ضربان قلب به چهار کلاس از بانک اطلاعاتی آریتمی MIT-BIH پیشنهاد شده است. نتایج با دیگر طبقه بندی کننده هایی که SVM بودند ، الگوریتم جنگل تصادفی (RF) ، الگوریتم K-نزدیکترین همسایه (KNN) و الگوریتم حافظه کوتاه مدت ماندگار ، مقایسه شد. چهار ویژگی که از سیگنالهای ECG که توسط طبقه بندیگرها استفاده شده ، استخراج شده است ، موجک ها ، آمار های مرتبه بالا ، فواصل R-R و خصوصیات مورفولوژیکی است. گروهی از SVM ها با دقت کلی 94.4٪ بهترین نتیجه را کسب کردند.