17929

17929

تشخيص بيماري قلبي با استفاده از دسته‌بند جنگل تصادفي با كمك ويژگي‌هاي آماري سيگنال الكتروكارديوگرام

كارشناسي ارشد

هوش مصنوعي و رباتيك

مهر 1396

دكتر برنگي - دكتر فتحي

كامپيوتر

چكيده بيماري‌هاي قلبي سالانه جان بسياري از مردم را مي‌گيرد و از نظر تعداد مرگ‌ومير انسان‌ها، رتبه اول بين بيماري‌ها را دارد. تشخيص زودهنگام بيماري‌هاي مربوط به قلب نقش مهمي در زنده ماندن انسان‌ها دارد. سيگنال الكتروكارديوگرام يك داده مناسب براي ارزيابي فعاليت الكتريكي قلب است كه برخي از بيماري‌هاي قلبي با تحليل اين سيگنال قابل تشخيص هستند. سيگنال الكتروكارديوگرام شامل اطلاعات بسيار مهم از وضعيت قلب و يكي از داده‌هاي مورد استفاده پزشكان درتشخيص بيماري‌هاي مختلف قلبي است و همچنين داراي يك سري اطلاعات از وضعيت قلب مانند تعداد ضربان قلب، فاصله زماني بين پيك‌هاي قلب و غيره است. به دليل ناپايدار بودن سيگنال الكتروكارديوگرام و داشتن يك سري از شكل موج‌هاي پيچيده‌ي تكراري و تشابه سيگنال‌ها در برخي بيماري‌ها با سيگنال‌هاي قلب سالم به مدل‌هايي نياز است كه بتواند به آساني حجم زيادي از اين اطلاعات را تجزيه و تحليل كند. اين مدل‌ها بر اساس پردازش سيگنال‌هاي الكتروكارديوگرام و روش‌هاي يادگيري ماشين قادر به تجزيه و تحليل اين اطلاعات مي‌باشند. دسته بندي بيماران بر اساس سيگنال الكتروكارديوگرام شامل مراحل: پيش‌پردازش، استخراج ويژگي و دسته‌بندي مي‌باشد. استخراج ويژگي و دسته‌بندي داراي روش‌هاي مختلفي مي‌باشد. در اين پايان‌نامه براي استخراج ويژگي، از ويژگي‌هاي آماري سيگنال استفاده مي‌شود. براي به‌دست آوردن مقادير ويژگي‌ها، از تركيب سيگنال‌هاي ضبط شده از هر بيمار استفاده مي‌شود. سپس از دهك‌هاي سيگنال اندازه و فاز براي ايجاد ويژگي استفاده مي‌شود. در ادامه با استفاده از دسته‌بند جنگل تصادفي، دسته‌بندي انجام مي‌شود. با استفاده از ويژگي‌هاي معرفي شده و تعيين يك سري از پارامترهاي دسته‌بند جنگل تصادفي دقت دسته‌بندي 83.87% شده است. واژه‌هاي كليدي: تشخيص بيماري قلبي، سيگنال الكتروكارديوگرام، دسته‌بند جنگل تصادفي، استخراج ويژگي

1396/07/25

1/1/1900 12:00:00 AM

Abstract A lot of people die of heart diseases every year and as regards the human fatality number, they have first ranking between diseases. Premature diseases detection related to heart has an important role in surviving people. Electrocardiogram signal is a criterion and tool for eva​luation of electrical activity of the heart that some of the heart diseases are detectable with this signal analysis. Electrocardiogram signal includes very important information about heart condition and it is one of the doctor's current tools in detecting of different heart diseases. It also has a series of information of heart condition such as heart rate and interval among the heart peaks and et cetera. due to instability of electrocardiogram signal and having a series of repetitive complex waves form and signals similarity in several diseases with valid heart signals, we need some methods that can analyze a lot of these information easily. These methods can analyze these information according to processing of electrocardiogram signals and machine learning methods. Patient's classification according to electrocardiogram signal consists of pre-processing, feature extraction and classification processes. Feature extraction and classification processes include different methods. In this thesis we use statistical features of electrocardiogram Signal. The combination of recorded signals of each patient is used for obtaining value of features.Then quantile of absolute value and argument are used for feature foundation. Then classify with using random forest classifier. by using the introduced features and some certain parameters of the random forest classifier, accuracy of classification has reached 83.87%. Keywords: Detection of Heart Disease, Random Forest classifier, Statistical Feature ,Feature Extraction