بخشی از مقاله
چکیده –
این مقاله روشی را برای آشکارسازی و تشخیص ثبت ضربان قلبی - ECG - با استفاده از شبکه موج ضربه ایی سازگار - - AWN معرفی می کند. تشخیص ضربان ECG به طبقات متوالی تقسیم می شود که اولین طبقه آن استخراج ویژگی ها از ترکیبات QRS شروع می شود و در ادامه با توجه به ویژگیها قابلیت تشخیص اختلالات ضربان قلب همچون ضربان نابجای فوق بطنی، ضربان نابجای بطنی را دارد.
روش ECG دارای ساختاری با دو زیر شبکه میباشد. زیرشبکه موج ضربه ایی Morlet برای زیاد کردن ویژگی ها از هر تپش قلب استفاده می شود و نقش زیر شبکه عصبی احتمالی - PNN - عمل تشخیص می باشد. روش موج ضربه ایی سازگار می تواند برای یک محیط داینامیک با قابلیت اضافه یا حذف ویژگی ها استفاده شود.نتایج آزمایشگاهی که از پایگاه داده امراض قلبی MIT-BIH استفاده شده اند به خوبی کیفیت این روش را نشان می دهند.در مقایسه با شبکه های عصبی چند لایه، نتایج آزمون موارد دقت بالا، یادگیری سریع، و سازگاری خوب و زمان سریع پردازش را نشان می دهد.
-1 مقدمه
سیگنالهای زیستی که از سطح بدن انسان بیرون می آیند، منعکس کننده وضعیت داخلی و فعالیت الکتریکی می باشند.برای مشخص کردن این سیگنالها از ابزار بدون خطری به نام تشخیص الکتریکی ضربان قلب - ECG - استفاده می شودECG .[1] به طور رایج تعداد زیادی اندازه گیری را از روی سیگنالها که حاوی اطلاعات زیادی می باشند، جمع آوری می کند.
تشخیص معمول در این روش آنالیز غیر مستقیم از داده های ضبط شده و استفاده از دستگاه ثبت ضربان قلب برای تشخیص انواع اختلالات ضربان می باشد. برای اطمینان از آشکارسازی دقیق، الگوریتم احتیاج به طبقه بندی خودکار بدون عوارض، همراه با تکنیکهای محاسباتی با عملکرد بالا، راه حلهای معتبر و ساده برای تشخیص اختلال می باشد.
ترکیبات QRS در سیگنالهای حاصل از ECG بواسطه منبع و مسیر هدایت پالس فعالسازی در هر تپش قلب با هم متفاوت هستند. زمانی که پالس فعالسازی از مسیر هدایت طبیعی عبور نمی کند، ترکیبات QRS پهن می شوند و ترکیبات فرکانس بالا ضعیف می شوند. طیفهای قویتر ترکیبات QRS در فرکانس 4 تا 20 هرتز یافت می شوند.
در تکنیک حوزه زمان، ویژگیهای متنوعی در هر ضربان قلب، استخراج می شوند تا شکل موجهای اختلالات قلبی را معین کنند. از جمله این ویژگیها می توان به مواردی همچون عرض، ارتفاع، مساحت، ترکیبات QRS و ریخت شناسی QRS می توان نام برد.[3] ساختارهای متنوعی از شبکه های عصبی مصنوعی - ANN - همچون شبکه عصبی موج ضربه ایی [4]، شبکه [5] BP،شبکه هیبرید فازی[3] استفاده می شود.
برای معرفی روش تشخیص که بتواند اختلالات ضربان را طبقه بندی کند از آنالیز سیگنال بر اساس تغییر شکل موج ضربه - - WT استفاده می شود.[4] با موج ضربه های متمرکز و دارای راه حلهای مختلف و توانایی تشخیص الگو در ANN شبکه موج ضربه ایی بسیار مهم برای آنالیز سیگنالها و تشخیص الگو شده است.
در این مقاله AWN برای تشخیص ضربان نرمال و شش اختلال ضربانی معرفی شده است. WN شامل دو زیر شبکه که به صورت آبشاری به هم وصل می باشند. در لایه موج ضربه توابع فعالسازی، موج ضربه های مورلت را تفسیر می کنند و پاسخگوی استخراج مشخصه ها از هر سیگنال ECGمی باشند. متعاقباً PNN یک شبکه سازگاریافته با تنظیم خودکار پارامترها است و برای طبقه بندی اختلالات قلبی استفاده می شود.
-2 شبکه موج ضربه سازگاریافته - AWN -
دربحث آنالیزسیگنال لازم است تا مشخصه های سیگنال استخراج شوند. آنالیز فوریه سیگنال را به امواج سینوسی با فرکانسهای مختلف در حوزه زمان تبدیل می کند ولی ویژگیها را بر اساس فرکانس – زمان نمی دهد. به طور مشابه آنالیز موج ضربه سیگنال را به نسخه های باز شده موج اصلی تبدیل می کند.موج ضربه ها باید نوسانی باشند و دارای دامنه هایی که سریعا به صفر برسند. موج ضربه مورلت تابع گوسین مدوله شده می باشد
شبکه موج ضربه تطبیقی طراحی شده به شکل زیر می باشد:
ورودی های این شبکه نمونه های یک سیگنال ECG می باشد که در واقع ویژگیهای شبکه می باشند. تعداد این ویژگی ها برابر با 100 می باشد و خروجی شبکه نیز دارای 7 نرون می باشد که هر نرون مربوط به یک نوع بیماری قلبی می باشد. البته اولین نرون خروجی مربوط به حالت نرمال - قلب سالم - می باشد. در واقع به ازای یک ورودی خاص یکی از نرون های خروجی باید عدد 1 را بدهد و 6 نرون دیگر باید خروجی نزدیک صفر داشته باشند. این شبکه دارای یک لایه نرون مخفی می باشد که تعداد نرونهای آن به تعداد داده های آموزش که 43 تا هستند، می باشد.
وزنهای بین نرونهای ورودی و لایه مخفی هستند و وزنهای مربوط بین لایه مخفی و لایه خروجی هستند. لایه اول نیز که لایه ورودی می باشد و با نام wavelet node مشخص شده است با استفاده از فرمول زیر ورودی ها را ایجاد می کند:
در معادله بالا نمونه های ورودی و یا همان سیگنال ECG هستند و ti ها نمونه های سیگنال ECG برای قلب نرمال می باشند. Di برای همه نمونه ها برابر با 3 در نظر گرفته می شود و مقدار نیز با سعی و خطا برای بهترین حالت حدود 0.05 بدست می آید.
-3 پیاده سازی الگوریتم شبکه موج ضربه تطبیقی
.3,1 یادگیری
در این مرحله ابتدا وزنهای بین لایه ورودی و لایه مخفی ساخته می شود که به صورت زیر بدست می آید:
تعداد نمونه های یادگیری k=43 می باشد که هر نمونه نیز دارای 100 ویژگی می باشد.
همانطور که مشخص است وزن مربوط به نرون خروجی مربوط به ورودی خاص یک می باشد و سایر وزنها صفر است. مثلا اگر ورودی ما یک ضربان مربوط به قلب سالم باشد و ما از 7 خروجی که داریم خروجی اول را برای نشان دادن حالت سالم بودن در نظر گرفته باشیم در این صورت بردار وزنها بصورت زیر ایجاد می شود:
به همین ترتیب الی آخر، در نهایت بردار وزنهای این قسمت نیز بصورت یک ماتریس K*J ایجاد می شود که j تعداد خروجی ها می باشد. سپس با تعیین این دو ماتریس وزنها مرحله اول تمام می شود.
.3,2 بازفراخوانی در این مرحله، ابتدا وزنهای مرحله قبل را بدست می آوریم. سپس یک ورودی را به شبکه اعمال می کنیم و خروجی لایه اول را بصورت زیر محاسبه می کنیم سپس با استفاده از معادله Hk 2 را محاسبه می کنیم و برای بدست آوردن بهینه از معادلات 4 تا 8 استفاده می کنیم. و سپس با استفاده از معادله 3 خروجی را بدست می آوریم.
-4 داده های آموزش
به منظور آموزش شبکه از داده های MIT-BIH استفاده شده است که سیگنال ECG مربوط به لید 2 آنها استفاده شده است. در جدول زیر داده های استفاده شده نشان داده شده اند:
بطوری که به ازای حالت ضربان نرمال، V، A، L، R، P، F، به ترتیب 6و8و 7و2و11و7و2 سیگنال به منظور آموزش استفاده شده است که در مجموع 43 داده می شود. طول هر سیگنال برابر با 100 نمونه می باشدکه پیک R هر سیگنال در نمونه 50ام آن قرار گرفته است.
