لیلا غفوری - دانشجو ارشد هوش مصنوعی دانشگاه خیام مشهد
علی جبرئیلی - استاد یار دانشگاه خیام مشهد

تشخیص آریتمی های قلبی با پردازش، تفسیر و تحلیل سیگنال های الکتروکاردیوگرام قلبی امکان پذیر هست. توسعهء روش های سریع و دقیق طبقه بندی خودکار الکتروکاردیوگرام برای تشخیص بالینی بیماری های قلبی بسیار ضروری است.هدف این پژوهش نیز، تحلیل سیگنال های قلب به منظور طبقه بندی آریتمی میباشد. آریتمی که در اینجا استفاده شده یکی از شایع ترین آریتمی های قلبی که همواره مورد توجه پزشکان قرار گرفته، آریتمی انقباضات زودرس بطنی است. در این پژوهش از پایگاه دادهء MIT-BIH arrhythmia databas به عنوان منبع داده استفاده شده است. برای تشخیص ضربان های زودرس بطنی در بیماران از ویژگی های مورفولوژیکی الکتروکاردیوگرام بدست آمده استفاده شده است و پس از استخراج و انتخاب ویژگی ها، برای طبقه بندی از روش های ماشین بردار پشتیبان و روش k نزدیک ترین همسایه استفاده شده است. روش ماشین بردار پشتیبان بهترین عمکرد با تابع کرنل rbf برای دادهای آزمون با درصد صحت 96.36 و درصد خطای 0.036 حساسیت 88.38 و برای نرخ اختصاصی بودن 99.11 درصد ، وK نزدیکترین همسایه با فاصله مینکوسفکی بهترین عمکرد با همسایه3 k= برای دادهای آزمون با درصد صحت 02/97 ، درصد خطای 0.029، پارامتر حساسیت 89.67 و نرخ اختصاصی بودن 99.55 برای تشخیص آریتمی عمل کرد.در این الگوریتم مشاهده میشود میتوان خطای تشخیص را کاهش داده ودرصد صحت را افزایش داد. و به پزشک در تشخیص اریتمی زودرس بطنی کمک کند.

تشخیص آریتمی. الکتروکاردیوگرام.انقباضات زودرس بطنی. استخراج ویژگی