19411

۱۹۴۱۱

خوشه‌بندي اوليه ضربان قلب پاتولوژي روي گره‌هاي حسگر بي‌سيم بدن

كارشناسي ارشد

الكترونيك

1393-139۷

۱۳۹۷/۰۵/۰۷

دكتر سيد حجت سبزپوشان

برق

در زندگي ماشيني امروزه، بيماري‌هاي قلبي و عروقي اولين علت مرگ و مير در جهان است. سيگنال‌هاي الكتروكارديوگرام، نقش به‌سزايي در خصوص تحليل رفتار الكتريكي قلب و بيماري‌هاي مربوط به اين عضو حياتي بدن انسان، دارند. از اين‌رو، تحقيقات بسياري در ارتباط با به‌دست آوردن سيگنال‌هاي قلبي، پردازش آنها و تحليل رفتار قلب انجام مي‌شود. يكي از راه‌هاي كاهش فوت بر اثر بيماري قلبي، زندگي هوشمند است. شبكه‌هاي حسگر بي‌سيم بدن، نقش بي‌بديلي در اين خصوص دارند. هر فرد بيمار با استفاده از اين شبكه، مي‌تواند سيگنال‌هاي الكتروكارديوگرام خود را براي پزشك معالج و يا نزديك‌ترين كلينيك درماني محل زندگي خود، ارسال نمايد. محدوديت در انرژي مصرفي گره‌هاي حسگر بي‌سيم بدن، باعث شده است تا اين تجهيزات نتوانند نقش خود را به صورت كامل ايفا نمايند. براي كاهش انرژي مصرفي گره‌هاي حسگر، از تكنيك پردازش سيگنال بر روي گره‌ها، هم‌زمان با به دست آوردن سيگنال‌هاي الكتروكارديوگرام بدن بيمار، استفاده شده است. در اين پروژه، براي اولين بار با استفاده از شبكه‌هاي عصبي بازگشتي، به تحليل سيگنال‌هاي الكتروكارديوگرام و طبقه‌بندي آن، پرداخته‌ايم. با استفاده از روش پيشنهادي در اين پژوهش و به‌وسيله نرم افزار محاسباتي متلب، طبقه‌بندي سيگنال‌هاي سالم و بيمار به صحت 94.8 درصد انجام شده است. همچنين در خصوص تشخيص سيگنال‌هاي قلبي فرد بيمار، در بهترين شبكه آموزش داده شده در اين پروژه، به صحت 98.4 درصد رسيده‌ايم. با استفاده از مدل پيشنهادي در اين پروژه، كاهش مصرف انرژي در انتقال اطلاعات از گره‌هاي حسگر بي‌سيم يدن، به 62.7 درصد رسيده است.

1397/07/04

Early Classification of Pathological Heart Beat on Wireless Body Sensor Nodes

7/29/2018 12:00:00 AM

Ongoing changes in world demographics and the prevalence of unhealthy lifestyles are imposing a paradigm shift in the healthcare landscape. Nowadays, cardiovascular disease is the first cause of death in the world. The Electrocardiogram (ECG) signals play a significant role in the analysis of the electrical behavior of the heart and the diseases of this vital organ of the body. Hence, many studies are devoted to obtaining heart signals, processing them, and analyzing cardiac behavior. On the other, one way to reduce cardiovascular disease is to make an intelligent life. Wireless Sensor Networks (WSN) play a role in this regard. Patients using this network can send their biological signals (such as electrocardiogram) to doctors or the nearest health clinics in their homes. The limitation in the energy consumption of wireless sensor nodes has prevented these devices from playing their full role. To reduce the energy consumption of sensor nodes, signal processing techniques on nodes have been used simultaneously to obtain Electrocardiogram signals from the patient's body. In this project, for the first time, we have analyzed the Electrocardiogram signals and classification using Recurrent Neural Networks(RNN). According to the proposed method in this study, by using MATLAB computational software, the classification of healthy and patient signals was 94.8%. Also, regarding the diagnosis of patient's heart signals, the best network trained in this project was 98.4% correct. This project has shown that the reduction of energy consumption in the transmission of data from the wireless sensor sensor nodes has reached 62.7%.