استفاده از ویژگیهای موج‭T ‬ جهت تشخیص بیماران مستعد آریتمی های قلبی با استفاده از شبکه‌های عصبی

/الهام زراعت‌کار; ؛ سعید کرمانی، علیرضا مهری دهنوی; ؛ حمید صانعی، محمدعلی استوان

خط مشی دسترسی

فارسی

X

X

جستجوی مدارک

X

تمام متن

X

منابع دیجیتالی

نام مرکز	:	دانشگاه علوم پزشکی اصفهان
نوع مدرک	:	پایان نامه فارسی
زبان مدرک	:	فارسی
شماره رکورد	:	100416
شماره مدرک	:	‭ت۱۲۵۴۳‬
شماره راهنما	:	‭WG،۲۹۸،ز۲۷‮الف‬،۱۳۸۹‬
سرشناسه	:	زراعت‌کار، الهام
عنوان	:	استفاده از ویژگیهای موج‭T ‬ جهت تشخیص بیماران مستعد آریتمی های قلبی با استفاده از شبکه‌های عصبی [پایان‌نامه]
نویسنده	:	/الهام زراعت‌کار
استاد راهنما	:	؛ سعید کرمانی، علیرضا مهری دهنوی
استاد مشاور	:	؛ حمید صانعی، محمدعلی استوان
محل تحصیل	:	دانشکده پزشکی
سال تحصیل	:	، ‭۱۳۸۹‬
مقطع تحصیلی	:	رشته مهندسی پزشکی، کارشناسی ارشد
صفحه شمار	:	‮ن، ‭۱۲۴‬ ص.‬: مصور، جدول، نمودار
يادداشت	:	این یک پایان نامه تحقیقاتی با شماره‭ ۳۸۸۴۴۰ ‬است
يادداشت	:	چاپی
چکيده	:	از آنجایی که آریتمی های قلبی یکی از عوامل مهم مرگ و میر در جهان می باشد، استخراج اطلاعات از سیگنال ‭ECG‬ جهت تشخیص و پیش بینی رخداد آریتمی از اهمیت ویژه ای برخوردار است. تا کنون روش های مختلفی جهت طبقه بندی آریتمی های قلبی بکار گرفته شده است که اغلب بر مبنای استخراج ویژگیهای کمپلکس ‭QRS‬ می باشد. در این مطالعه پس از انتخاب بانک اطلاعاتی مناسب و پیش پردازش های اولیه نظیر حذف آرتیفکت برق شهر، تنفس، ‭EMG‬ و حذف انحراف از مبدا به کمک روشهای جدید با قابلیت اطمینان بالا، ابتدا کمپلکس ‭QRS‬ و سپس محدوده موج‭T ‬ تشخیص داده شده و میزان خطا و صحت عملکرد آن مورد بررسی قرار گرفته است. از آنجایی که موج‭T ‬ مربوط به زمان رپلاریزاسیون قلب می باشد و در این مرحله قلب در حالت استراحت بوده و برای تولید موج سینوسی جدید در گره ‭SA‬ آماده می شود، ویژگیهای این موج بر روی سیکل جدید تاثیرگذار خواهد بود. بنابراین از ویژگیهای موج‭T ‬ برای طبقه بندی سه سیگنال نرمال، ‭TWA‬ و ‭LQT‬ استفاده شده است. دسته های مختلف ویژگیهای استخراج شده شامل ویژگیهای مورفولوژی، ضرائب ویولت، آمارگان مراتب بالا و همچنین ویژگی های تخمینی، آماری و فرکانسی می باشد. پس از استخراج این ویژگیها، موثرترین ویژگی و همبستگی آنها مورد بررسی قرار گرفته و نهایتا طبقه بندی توسط شبکه های عصبی ‭MLP‬ و ‭RBF‬ صورت پذیرفته است. نتیجه ارزیابی طبقه بندی کننده با دسته های مختلف ویژگیها، بیانگر موثر بودن ویژگیهای مورفولوژی در مقایسه با دیگر ویژگیها می باشد. همچنین از میان دیگر ویژگیهای مورفولوژی و ویژگیهای استخراج شده از، از قسمت نزولی موج‭T ‬ از سایر بخش ها موثرترند. از طرفی کارایی و عملکرد شبکه ‭MLP‬ با توجه به شاخص های ارزیابی طبقه بندی در مقایسه با شبکه ‭RBF‬ بالاتر می باشد. در مرحله آخر جهت بالا بردن سرعت تعلیم و کاهش پیچیدگی شبکه، همبستگی بین ویژگیها و نگاشت آنها به فضایی با بعد کمتر به کمک تحلیل ‭PCA‬ مورد بررسی قرار گرفته است. نتایج حاصله که بیش از‭ ۱۴۰۰۰ ‬ضربان صورت گرفته و مقایر دقت بدست آمده با ویژگیهای مورفولوژی برای سه طبقه مرمال، ‭LQT‬ و ‭TWA‬ بترتیب‭ ۹۹/۶۳ ‬درصد،‭ ۹۹/۴۵ ‬درصد و‭ ۹۹/۱۲ ‬درصد با ویژگیهای ویولت‭ ۹۶/۷۲ ‬درصد،‭ ۹۵ ‬درصد و‭ ۸۷/۹۸ ‬درصد با ویژگیهای کامیولنت‭ ۹۷/۹۴ ‬درصد،‭ ۹۴/۸۳ ‬درصد،‭ ۹۱/۹۳ ‬درصد و با ویژگیهای تخمینی ، آماری و فرکانسی‭ ۹۹/۴۴ ‬درصد،‭ ۹۷/۱۵ ‬درصد و‭ ۹۴/۹۱ ‬درصد بوده که دلالت بر توانایی شبکه عصبی ، دفت و مقاوم بودن الگوریتمهای استخراج ‭QRS‬ و‭T ‬ و موثر بودن ویژگیهای مورفولوژی موج‭T ‬ دارد
توصیفگر	:	۱. آنژین قفسه صدری.- کلیدواژه‌ها: ثبت تغییرات الکتریکی قلب
	:	بی نظمی ضربان قلب
	:	آنژین قفسه صدری
	:	Electrocardiography
	:	Arrhythmia
	:	Angina Pectoris
شناسه افزوده	:	کرمانی، سعید، استاد راهنما
	:	مهری دهنوی، علیرضا، استاد راهنما
شناسه افزوده	:	دانشکده پزشکی