نگار معینی - دانشجوی کارشناسی مهندسی پزشکی، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات
علی اخلاصی - دانشجوی دکتری مهندسی پزشکی، بیوالکتریک، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات
حسام احمدی - دانشجوی دکتری مهندسی پزشکی، بیوالکتریک، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات

سیگنال قلبی یا الکتروکاردیوگرام (ECG) یکی از ابزارهای مهم برای تشخیص سلامت قلب است. تعداد روزافزون بیماران قلبی، ضرورت توسعه روشهای تشخیص خودکار انواع اختلالات و آریتمی های قلبی را بیان میکند. این ضرورت در جهت کاهش فشار بر پزشکان، تقسیم مناسب توان درمانی و افزایش صحت و دقت در فرآیندهای تشخیصی و درمانی خواهد بود. مقاله پیش رو طبقه بندی انواع آریتمی قلبی را از روی ECG پیشنهاد داده است. پس از پیش پردازش دادگان، طبقه بندی بر اساس ویژگیهای شکلی (مورفولوژیک) سیگنال و ویژگیهای استخراج شده توسط تبدیل موجک گسسته (DWT) صورت می گیرد. از شبکه عصبی مصنوعی (ANN) به عنوان طبقه بند استفادهشده است. پایگاه داده آریتمی MIT-BIH ECG به عنوان دادگان مقاله در نظر گرفته شد. شبکه عصبی با استفاده از چهار گروه داده یعنی سه نوع آریتمی از نوع (APB) Atrial Premature Beat، (LBBB) Left Bundle Branch Block، (RBBB)Right Bundle Branch Block و گروه نرمال (N) آموزش دادهشده و طبقه بندی بر رویداده های تست صورت می پذیرد. نتایج حاصل از الگوریتم ارزیابی k-fold نشان میدهد که با استفاده از ویژگیهای مورفولوژیک و ویژگیهای مربوط به ضرایب موجک، صحت طبقه بندی برابر با %93 خواهد بود. استفاده از هر دو گروه ویژگی برای آموزش، صحت طبقهبندی را افزایش میدهد چراکه صحت طبقه بندی در حالتی که تنها از ویژگیهای مورفولوژیک سیگنال استفاده شود %83 و در حالتی که تنها از ویژگی های مربوط به ضرایب تبدیل موجک استفاده شود %88 خواهد بود.

آریتمی، سیگنال قلبیECG، ویژگیهای مورفولوژیک، تبدیل موجک گسسته (DWT)، شبکه عصبی مصنوعی (ANN)، طبقه بندی