طبقه بندی سیگنال های الکتروکاردیو گرافیک در بیماران صرعی با استفاده از شبکه عصبی بازگشتی المان
Publish place: 2nd National Electrical Engineering
Publish Year: 1388
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 1,360
This Paper With 6 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
NEEC02_006
تاریخ نمایه سازی: 7 بهمن 1388
Abstract:
هدف از این مطالعه ارزیابی عملکرد شبکه های عصبی بازگشتی (RNNs) و پرسیترون چند لایه (MLPNN) در طبقه بندی سیگنال های الکتروکاردیوگرام است. بدین منظور از ضربان های قلبی نرمال و صرعی موجود در پایگاه داده MIT-BIH استفاده شد. برای آموزش شبکه ها، ویژگی های ضرایب ویولت و نماهای لیاپانوف در هر ضربان استخراج شد. صحّت کل و میانگین مربّعات خطا به عنوان معیاری برای ارزیابی عملکرد شبکه ها در نظر گرفته شد. بهترین نتایج یا شبکه عصبی بازگشتی المان و الگوریتم آموزش لونیرگ- مارکوارت یا 8 نرون در لایه مخفی حاصل شد. صحّت طبقه بندی در این شبکه 100% بوده است. در حالی که شبکه عصبی پروسپترون چند لایه، یا ساختاری پیچیده تر (15 نرون در لایه مخفی) ضربان های نرمال و صرعی را با صحّت 96.9% طبقه بندی نمود. نتایج مطالعه حاضر نشان می دهد که شبکه عصبی بازگشتی المان یا به کارگیری ویژگی های ترکیبی ضرایب ویولت و نماهای لیاپانوف می تواند در طبقه بندی ضربان های قلبی نرمال و صرعی مفید واقع شود.
Keywords:
الگوریتم لونیرگ- ماکوارت , سیگنال الکتروکاردیوگرام (ECG) , شبکه های عصبی بازگشتی (RNN) , ضرایب ویولت , نماهای لیاپانوف
Authors
عاطفه گشوارپور
گروه مهندسی پزشکی - دانشگاه آزاد اسلامی واحد مشهد
عاتکه گشوارپور
گروه مهندسی پزشکی - دانشگاه آزاد اسلامی واحد مشهد
سعید راحتی قوچانی
گروه برق- دانشگاه آزاد اسلامی واحد مشهد
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :