ترجمه مقاله شناسایی آریتمی به کمک الکتروکاردیوگرام ۲ لید با شبکه عصبی مصنوعی و ماشین بردار پشتیبان – نشریه MDPI
| عنوان فارسی: | شناسایی آریتمی به کمک الکتروکاردیوگرام 2 لید با استفاده از شبکه عصبی مصنوعی و ماشین بردار پشتیبان برای یک دستگاه مانیتور ECG دستی |
| عنوان انگلیسی: | Arrhythmia Identification with Two-Lead Electrocardiograms Using Artificial Neural Networks and Support Vector Machines for a Portable ECG Monitor System |
| تعداد صفحات مقاله انگلیسی : 16 | تعداد صفحات ترجمه فارسی : 20 (2 صفحه رفرنس انگلیسی) |
| سال انتشار : 2013 | نشریه : MDPI |
| فرمت مقاله انگلیسی : PDF | فرمت ترجمه مقاله : ورد تایپ شده |
| فونت ترجمه مقاله : بی نازنین | سایز ترجمه مقاله : 14 |
| نوع مقاله : ISI | پایگاه : اسکوپوس |
| نوع ارائه مقاله : ژورنال | ایمپکت فاکتور(IF) مجله : 3.514 در سال 2018 |
| شاخص H_index مجله : 132 در سال 2019 | شاخص SJR مجله : 0.592 در سال 2018 |
| شناسه ISSN مجله : 1424-8220 | شاخص Q یا Quartile (چارک) : Q2 در سال 2018 |
| کد محصول : F1402 | وضعیت ترجمه : ترجمه شده و آماده دانلود |
| محتوای فایل : zip | حجم فایل : 2.30Mb |
| رشته و گرایش های مرتبط با این مقاله: مهندسی پزشکی، سایبرنتیک پزشکی، بیوالکتریک |
| مجله: سنسورها - Sensors |
| دانشگاه: گروه علوم کامپیوتر و مهندسی اطلاعات، دانشگاه صنعتی چویانگ، تایوان |
| کلمات کلیدی: SVM، ضربان قلب، شناسایی آریتمی |
| کلمات کلیدی انگلیسی: SVM - heartbeats - arrhythmia identification |
| وضعیت ترجمه عناوین تصاویر و جداول: ترجمه شده است ✓ |
| وضعیت ترجمه متون داخل تصاویر و جداول: ترجمه نشده است ☓ |
| وضعیت ترجمه منابع داخل متن: درج شده است ☓ |
| وضعیت فرمولها و محاسبات در فایل ترجمه: به صورت عکس، درج شده است |
| بیس: نیست ☓ |
| مدل مفهومی: ندارد ☓ |
| پرسشنامه: ندارد ☓ |
| متغیر: ندارد ☓ |
| رفرنس: دارای رفرنس در داخل متن و انتهای مقاله |
| رفرنس در ترجمه: در انتهای مقاله درج شده است |
| doi یا شناسه دیجیتال: https://doi.org/10.3390/s130100813 |
چکیده
1-مقدمه
2-بخش روش اجرا
2-1-پایگاه داده ها
2-2-فیلترسازی و نرمالسازی
2-3-شناسایی کمپلکس های QR و استخراج شکل امواج
2-4-طبقه بندی اریتمی
3-نتایج و بحث
4-نتیجه گیری ها
Abstract
An automatic configuration that can detect the position of R-waves, classify the normal sinus rhythm (NSR) and other four arrhythmic types from the continuous ECG signals obtained from the MIT-BIH arrhythmia database is proposed. In this configuration, a support vector machine (SVM) was used to detect and mark the ECG heartbeats with raw signals and differential signals of a lead ECG. An algorithm based on the extracted markers segments waveforms of Lead II and V1 of the ECG as the pattern classification features. A self-constructing neural fuzzy inference network (SoNFIN) was used to classify NSR and four arrhythmia types, including premature ventricular contraction (PVC), premature atrium contraction (PAC), left bundle branch block (LBBB), and right bundle branch block (RBBB). In a real scenario, the classification results show the accuracy achieved is 96.4%. This performance is suitable for a portable ECG monitor system for home care purposes.
چکیده
یک پیکربندی به صورت اتوماتیک که می تواند از روی سیگنالهای پیوسته الکتروکاردیوگرام (ECG) در بانک داده های اریتمی MIT-BIH موقعیت امواج R را شناسایی نماید، و ریتم نرمال سینوسی NSR و چهار نوع دیگر اریتمی را طبقه بندی نماید، دراین مقاله مطرح گردیده است. در این نوع پیکربندی، یک ماشین بردار پشتیبان SVM برای شناسایی و علامتگذاری ضربان قلب ECG به کمک سیگنالهای خام و سیگنالهای افتراقی یک ECG لید بکار گرفته شده است. یک الگوریتم مبتنی بر علامتگذاری های استخراجی کار تقسیم بندی شکل امواج ECG 2 لید و 6 لید را به عنوان خصوصیات طبقه بندی الگو انجام می دهد. یک شبکه استنباطی فازی عصبی خودسازه SoNFIN برای طبقه بندی NSR و چهار نوع اریتمی بکار برده شد از جمله انقباضات زودرس بطنی PVC، انقباضات زودرس دهلیزی PAC، انسداد دسته شاخه چپ LBBB، و انسداد دسته شاخه راست RBBB. در یک شرح وضعیت واقعی، نتایج طبقه بندی نشان داده که صحت کسب شده برابر با 96.4% می باشد. این عملکرد برای یک دستگاه مانیتور ECG دستی جهت اهداف مراقبت خانگی مناسب است.
