بهبود طبقه‌بندی سیگنال الکتروکاردیوگرام (ECG) با ماشین بردار پشتیبان و بهینه‌سازی اجتماع ذرات (PSO-SVM)

فصل اولمقدمه

۱-۱- مقدمه

۱-۲- تعریف مسئله

۱-۳- ضرورت و اهمیت تحقیق

۱-۴- روش تحقیق

۱-۵- تعریف مفاهیم

سیگنال الکتریکی قلب:

پتانسیل عمل عضله قلب

مرحله استراحت :

مرحله دپلاریزاسیون :

مرحله رپلاریزاسیون :

موج P :

منحنی QRS :

موج T :

قطعه ST :

بازه  QT:

بیماریهای ضربان قلب :

فصل دوم  پیشینه پژوهش

۲-۱- مقدمه

معرفی پایگاه داده:

۲-۲- طبقه‌بندی سیگنال ECG با استفاده از موجک و شبکه عصبی

۲-۳- طبقه‌بندی سیگنال ECG با استفاده ازموجک و خواص مورفولوژیک و شبکه عصبی

۲-۴- طبقه‌بندی سیگنال ECG با استفاده از تبدیل موجک و شبکه عصبی فازی

۲-۵- طبقه‌بندی سیگنال ECG با استفاده از تبدیل ویولت و شبکه عصبی مصنوعی و الگوریتم پرندگان

۲-۶- طبقه‌بندی آریتمی‌های قلبی با استفاده از SVM

۲-۷- طبقه‌بندی آریتمی دهلیزی بطنی

۲-۸- طبقه‌بندی سیگنال الکترو‌کاردیو‌گرام با طبقه‌بند ماشین بردار پشتیبان و الگوریتم PSO

۲-۹-  طبقه‌بندی آریتمی‌های قلبی با استفاده از PSO

۲-۱۰-  رویکرد ترکیبی در طبقه‌بندی سرطان

۲-۱۱- دسته‌بندی آریتمی‌های قلبی بر مینای تبدیل موجک و SVM

۲-۱۲- طبقه‌بندی سیگنال ECG با استفاده از خواص مورفولوژی

۲-۱۳- انتخاب ویژگی با استفاده از الگوریتم فاخته باینری

۲-۱۴- انتخاب ویژگی با استفاده از الگوریتم فاخته

فصل سوم  معرفی الگوریتم‌ها و روش‌های پردازش سیگنالECG

۳-۱- مقدمه

۳-۲- آنالیز موجک

۳-۲-۱- تبدیل موج پیوسته (CWT)

۳-۲-۲- تبدیل موجک گسسته

۳-۳-۲-۲- تجزیه چند سطحی

۳-۲-۴- انتخاب موجک مادر

۳-۲-۴- ویژگی‌های استخراج شده از ویولت

۳-۳- ویژگی زمانی

۳-۴- استخراج ویژگی با مدل خودبازگشتی(AR)

۳-۵- استراتژی انتخاب ویژگی

۳-۶- تحلیل مولفه اصلی (PCA)

۳-۷- روش بیشترین وابستگی و کمترین افزونگی (mRMR)

۳-۸- الگوریتم فاخته COA

۳-۸-۲- جزییات الگوریتم بهینه‌سازی فاخته

۳-۸-۲-۱- تولید محل‌های سکونت اولیه فاخته‌ها (جمعیت اولیه‌ی جواب‌های کاندید)

۳-۸-۲-۲- روش فاخته‌ها برای تخم‌گذاری

۳-۸-۲-۳- مهاجرت فاخته‌ها

۳-۸-۲-۴- از بین بردن فاخته‌های قرار گرفته در مناطق نا‌مناسب

۳-۸-۲-۵- همگرایی الگوریتم

۳-۹- گسسته‌‌سازی دودویی الگوریتم فاخته

۳-۱۰- ماشین بردار پشتیبان(SVM)

۳-۱۱- الگوریتم بهینه‌سازی ذرات(PSO)

۳-۱۱-۱- وزن اینرسی

۳-۱۲- شمای کلی سیستم طبقه‌بندی سیگنال ECG

فصل چهارم  روش پیشنهادی طبقه‌بندی سیگنال ECG

۴-۱- مقدمه

۴-۲- پیش‌پردازش سیگنال ECG

۴-۲-۱- شیفت سیگنال به انحراف زمینه

۴-۲-۲- حذف مقدار متوسط سیگنال

۴-۲-۳- حذف نویز ناشی از برق شهر

۴-۲-۴- هموارسازی سیگنال

۴-۲-۵- پنجره‌گذاری سیگنال

۴-۲-۶- آزمون همبستگی و حذف ضربان‌های نا‌همبسته

۴-۲-۷- انتخاب داده‌های آموزش و آزمون

۴-۳- ویژگی‌های سیگنال

۴-۳-۱- استخراج ویژگی

۴-۳-۱-۱- ویژگی زمانی

۴-۳-۱-۲- ویژگی موجک

۴-۳-۱-۳- ویژگی AR

۴-۳-۱-۴- شناسایی نقاط پراهمیت سیگنال با استفاده از PCA

۴-۳-۲-ترکیب و ادغام ویژگی‌ها

۴-۳-۲-۱- انتخاب ویژگی با PCA

۴-۳-۲-۲- انتخاب ویژگی با mRMR

۴-۳-۲-۳- انتخاب ویژگی با استفاده از الگوریتم فاخته

۴-۴- طبقه‌بندی با استفاده از SVM

فصل پنجم                 نتیجه‌گیری

۵-۱- مقدمه

۵-۲- مقایسه و نتیجه‌گیری

۵-۴- ارائه پیشنهاد

منابع :