پیش بینی آریتمی قلبی در سیگنال ECG با به کارگیری مجمعی از ماشین های بردار پشتیبان چندهسته ای بهینه

استفاده از هوش مصنوعی در فرآیند تشخیص بیماری های قلبی سال ها مورد توجه پژوهش گران قرار گرفته است. در این مقاله، روشی کارآمد جهت گزینش ویژگی های مناسب استخراج شده از سیگنال های الکترکاردیوگرام (ECG)، بر پایه الگوریتم ژنتیک برای استفاده در یک اجماعی از طبقه بندهای ماشین بردار پشتیبان (SVM) چندهسته ای که هر کدام از این طبقه بندها به وسیله یک الگوریتم ژنتیک بهینه شده اند، پیشنهاد شده است. پیشتر نشان داده شده که به علت خاصیت هایش (نگاشت فضای ویژگی و حداکثرسازی مرز تصمیم) طبقه بند ماشین بردار پشتیبان یکی از روش های طبقه بندی است که مناسب هر نوع محیطی محسوب می شود. این مقاله از تعدادی طبقه بند ماشین بردار پشتیبان چندهسته ای به عنوان یک طبقه بند ترکیبی بهره می گیرد. تنوع اجماع به وسیله آموزش هر طبقه بند ماشین بردار پشتیبان چندهسته ای بر روی یک زیرفضا (یعنی زیرمجموعه ای از ویژگی ها) ایجاد می شود. در این روش برای ترکیب خروجی طبقه بندها از روش رای اکثریت استفاده شده است. از طرفی در طبقه بندی سیگنال های ECG به طور معمول از سیگنال ها به عنوان ویژگی های آن استفاده می شود؛ در نتیجه از آن جایی که روش های طبقه بندی سیگنال ها با تعداد زیادی ویژگی مواجه هستند و حذف نکردن این ویژگی ها مشکل ابعاد بالا را ایجاد می کند و همچنین بار محاسباتی را برای کاربرد مورد نظر بالا می برد، گام انتخاب ویژگی اجتناب ناپذیر است. ویژگی های استخراج شده شامل ویژگی های زمانی، AR[1] و ضرایب موجک است که تعداد این ویژگی ها با استفاده از الگوریتم ژنتیک بهینه خواهد شد. ارزیابی این مجموعه از ویژگی های ا نتخاب شده به وسیله الگوریتم ژنتیک با اعمال به یک SVM چندهسته ای بررسی می شود. از الگوریتم ژنتیک جهت بهینه سازی پارامترهای هر کدام از SVM-ها استفاده می شود. به کمک شبیه سازی رایانه ای، صحت کلی سامانه برای شناسایی شش نوع ریتم قلبی %15/99 به دست آمده است که در مقایسه دقت حاصل شده با پژوهش های پیشین، کارایی مطلوب روش پیشنهادی را نشان می دهد.