30317

تشخيص بيماري هاي قلبي و عروقي به كمك سيگنال هاي قلبي سنسورهاي برداشت كننده انرژي مبتني بر پيزوالكتريك

كارشناسي ارشد

مهندسي برق-الكترونيك

1399

1402/08/20

دكتر علي صدر

دانشكده برق

امروزه استفاده از سيستم‌هاي پوشيدني پزشكي براي پايش سلامت بدون حضور پزشك، نقشي اساسي را در افزايش اميد به زندگي انسان ايفا مي‌كند. در سال‌هاي اخير، روش‌هاي متعددي براي تشخيص و طبقه‌بندي خودكار بيماري‌هاي قلبي با استفاده از رديابي سيگنال باليستوكارديوگرافي پيشنهاد شده است. با اين وجود، همه اين روش‌ها براي استفاده طولاني‌مدت، مستلزم آن است كه در مصرف انرژي صرفهجويي شود. از آنجا كه دستگاههاي پوشيدني با باتري كار ميكنند، كاهش مصرف توان در قسمتهاي مختلف، براي افزايش طول عمر باتري بسيار حائز اهميت است. در اين پروژه تلاش شد تا با بهرهگيري از حسگرهاي برداشتكننده انرژي مبتني بر پيزوالكتريك، ضمن كاهش توان مصرفي حاصل از رديابي سيگنال، ضمن ذخيرهسازي انرژي مكانيكي حاصل از فعاليتهاي كاربر پوشيدني هوشمند، اقدام به تشخيص اوليه آريتمي قلبي نمود. نتيجه انجام تستهاي باليني بر روي 27 داده، شامل 19 مشخصه، از بيماران كلينيك آريتمي تهران، كه بين 20 تا 80 سال سن داشتند، كه با بكارگيري روشهاي يادگيري ماشين بردار پشتيبان (SVM)، نزديكترين همسايگي (KNN) و درخت تصميم (DT) حاصل شد، حاكي از دقت 94.1% در طبقهبندي و تشخيص 5 نوع آريتمي قلبي شامل شل بودن دريچه قلب (MVP)، تاكي كاردي، تپش قلب پايين (NMS/AT)، اكتوپي ونتريكولار يا انقباض زودرس بطني (PVC) و فيبريلاسيون دهليزي (AF)، در روش SVM داشت.

1402/10/17

Diagnosing cardiovascular diseases based on cardiac arrhythmia using piezoelectric energy-harvesting sensors

1/1/1900 12:00:00 AM

Nowdays, the use of wearable medical systems to monitor healthcare without the presence of a doctor, plays a fundamental role in increasing human life expectancy. In recent years, numerous methods have been proposed for the automatic detection and classification of heart diseases using ballistocardiography signal tracking. However, all of these methods require energy saving for long-term usage. Since wearable devices work on batteries, reducing power consumption in various parts, is vital for increasing battery life. In this project, an attempt was done to detect early heart arrhythmia using energy harvesting piezoelectric sensors, while reducing the power consumption of the ECG signal tracking and storing the mechanical energy generated by the user's activities of a smart wearable device. The results of clinical experiments on 27 datasets, including 19 features, from patients of the Tehran Arrhythmia Clinic, aged between 20 and 80 years old, using support vector machine (SVM), k-nearest neighbors (KNN), and decision tree (DT) machine learning methods, showed a 94.1% accuracy in classifying and detecting five different types of heart arrhythmias, including mitral valve prolapse (MVP), tachycardia, low heart rate (NMS/AT), ventricular ectopic or premature ventricular contraction (PVC), and atrial fibrillation (AF) in the SVM method.

بيماري قلبي , پيزوالكتريك , برداشت كننده انرژي , يادگيري ماشين , پردازش سيگنال

heart disease , piezoelectric , energy harvesting , machine learning , signal processing

Maede Geraminezhad

Dr. Ali Sadr