21084

۲۱۰۸۴

تحليل سيگنال نبض به عنوان شاخص زيستي به منظور تشخيص بيماري

كارشناسي ارشد

مهندسي پزشكي

۱۳۹۲

۱۳۹۵/۱۲/۲۴

دكتر برهان بيگ زاده

دكتر سامان آسيايي

مكانيك

مطالعه و تحقيق بر روي سيگنال فشاري خون (نبض) با ظهور تخصص¬هاي بين رشته¬اي بيش از پيش مورد توجه محققان قرار گرفته است. در اين پايان نامه، تشخيص بيماري گرفتگي عروق كرونر با اندازه گيري دقيق سيگنال نبض به صورت غير تهاجمي و با استفاده از روش هاي تحقيق آماري و تحليل سيگنال صورت گرفته است كه ميتواند به كاهش قابل توجهي در زمان و هزينه تشخيص بيماري و حتي افزايش دقت تشخيص منجر گردد. در اين راستا، به منظور تشخيص اين بيماري، به كمك يك نوع شبكه عصبي مصنوعي- ماشين بردار پشتيبان، داده هاي 34 فرد كه شامل 17 فرد سالم و 17 فرد بيمار ميشود، دسته بندي شده است. در گام اول، اعتبارسنجي عملكرد ماشين بردار پشتيبان با استفاده از داده هاي آموزش به عنوان داده هاي ورودي شبكه عصبي، صورت گرفته است. در اين اعتبارسنجي، 2/88 درصد تشخيص ها به صورت صحيح صورت گرفتند. سپس، عملكرد ماشين بردار پشتيبان با استفاده از داده هاي تست به عنوان داده اي ورودي بررسي گرديد. در اين گام، نتايج نشان ميدهند كه بيماري گرفتگي عروق كرونر با دقت 3/82 درصد تشخيص داده شده اند. اشاره به اين نكته ضروري است كه اين اعتبارسنجي، اعتبارسنجي واقعي از عملكرد ماشين بردار پشتيبان به حساب مي آيد.

1398/06/30

Pulse Signal Analysis in Order to Feature Extraction for Use in the Diagnosis of Various Diseases

9/21/2019 12:00:00 AM

By arrival of interdisciplinary fields, study on blood pressure signal (pulse rate) have been more taken in consideration by researchers. In this thesis, diagnosis of Coronary artery disease (CAD) has been conducted by exact measuring the signal of pulse rate non-aggressively and using statistical research and signal analysis methods which can lead to a substantial reduction in the time and cost spent on identifying the disease and even increase the accuracy of diagnosis. In this regard, in order to diagnose this disease using a type of artificial neural network-Support Vector Machine (SVM), the data of 34 men including 17 healthy men and 17 suffering from CAD has been classified. In the first step, using training data as input data, validation of the performance of SVM has been done. In this validation, 88.2% of diagnoses were carried out correctly. Next, the performance of SVM checked using test data as input data. In this step, results show CAD diagnosed with an accuracy of 82.3%. It is worth mentioning that this validation is considered as the actual validation of SVM. Key Words: Blood Pressure Signal (Pulse Rate), Coronary Artery Disease (CAD), Disease Diagnosis, Support Vector Machine (SVM), Artificial Neural Network.