طبقه بندی اختلالات قلبی با استفاده از شبکه کوانتیزه کننده برداری و بر اساس ویژگی های استخراج شده از تبدیل ویولت

در این مقاله کارکرد شبکه عصبی کوانتیزه کننده برداری(LVQ) در طبقه بندی شش نوع سیگنال الکتروکاردیو گرام (ECG) با استفاده از ویژگی های استخراج شده به وسیله تبدیل ویولت مرتبه شش خانواده دابیچی بررسی شده است. شش سیگنال مورد نظر عبارت اند از: ECG نرمال و ECG مربوط به اختلالات بلوک شاخه چپ دسته دهلیزی بطنی، بلوک شاخه راست دسته دهلیزی بطنی، انقباض زودرس بطنی، ضربانات کند، و ترکیب ضربانات نرمال با آرام. داده های به کار رفته، داده های MIT/BIH اند. ابتدا با استفاده از فایل های تفسیر، الگوهای مربوط به شش نوع سیگنال ECG جدا شده است. سپس به منظور استخراج هر چه بهتر ویژگی ها، الگوها فیلتر و مقیاس بندی شده اند. آنگاه انرژی پنج سیگنال جزئیات دوم تا ششم حاصل از اعمال تبدیل ویولت تا شش سطح به عنوان ویژگی های استخراج شده از الگوها، برای آموزش و امتحان شبکه LVQ به کار رفته است. از هر دسته، 500 الگو برای آموزش شبکه و 100 الگو برای امتحان آن به کار رفته است. نتایج به دست آمده بیانگر دقت 1/93 % برای شش دسته، و بالای 3/94 % برای کمتر از شش دسته (2 تا 5 دسته) است. در ادامه میزان تفاوت و تشابه سیگنال های ECG از منظر ویژگی های به کار رفته بررسی شده است. سرانجام این روش از نظر دقت با چند روش دیگر طبقه بندی کننده اختلالات قلبی مقایسه شده است.