21856

21856

طراحي و ساخت سامانه تشخيص بلادرنگ آريتمي‌هاي قلبي براي استفاده در دستگاه دفيبريلاتور خودكار

كارشناسي ارشد

الكترونيك - ديجيتال

1398/7/24

دكتر علي صدر

برق

بيماري‌هاي قلبي-عروقي از مهم‌ترين عوامل مرگ و مير در دنيا و عامل اول مرگ و مير در ايران است. يكي از تجهيزات پزشكي مربوط به قلب، دستگاه دفيبريلاتور خودكار مي‌باشد كه با تشخيص خودكار عارضه قلبي، با اعمال ولتاژ به قلب درحالي‌كه بيمار دچار حمله قلبي ‌‌‌شده‌است، عملكرد صحيح قلب را بازيابي مي‌كند. در اين پژوهش ابتدا پيش‌پردازش مناسب شامل حذف نويز، حذف خط زمينه، يكسان‌سازي دامنه‌ها و يكسان‌سازي فركانس‌هاي نمونه‌برداري روي سيگنال ECG اعمال شده؛ سپس نقاط PQRST استخراج شده و از روي آنها ويژگي‌هاي مربوط به آريتمي فيبريلاسيون دهليزي توليد شده‌اند. با محاسبه تابع likelihood براي هر ويژگي، به ارزيابي قدرت تفكيك‌كنندگي ويژگي‌ها و انتخاب ويژگي‌هاي بهتر پرداختيم. در ادامه با استفاده از روش FLD بعد فضاي ويژگي را يكبار از 8 ويژگي منتخب و يكبار از 4 ويژگي منتخب به يك بعد كاهش داديم. براي دسته بندي داده‌ها با استفاده از اين ويژگي‌ها، از سه روش شبكه‌ي عصبي، بيز و جنگل تصادفي استفاده ‌‌‌شده‌است. تمامي مراحل گفته شده از پيش‌پردازش تا دسته بندي داده‌ها پس از برنامه نويسي در MATLAB به زبان C++ روي تراشه STM32F407VGT6 كه از معماري ARM بهره مي برد پياده‌سازي شده‌اند. مدار چاپي مناسب طراحي و پياده‌سازي شده و نتايج هم از طريق LEDهاي روي برد و هم از طريق TFT LCD قابل مشاهده هستند. علاوه بر اين، اطلاعات روي SD-Card ذخيره مي‌شوند و دستگاه قادر است سيگنال ورودي را از چهار طريق USB، SPI، UART و USART دريافت كند. مدار پياده سازي شده قادر است با استفاده از تنها يك ويژگي، 80% داده ها را به درستي دسته بندي نمايد.

1399/02/10

design and implementation of a real time heart arrhythmia detection system for automated defibrillators

4/29/2020 12:00:00 AM

Cardiovascular disease is one of the most important causes of mortality in the world and the first one in Iran. One of the cardiovascular medical devices is Automatic defibrillator that automatically detects the heart attack and recovers the proper performance of the heart by applying voltage to the heart. In this study, proper pre-processing including noise removal, baseline removal, amplitude normalization and sampling frequency normalization are applied to the ECG signal, then PQRST points are extracted and features of Atrial fibrillation arrhythmia are generated. By calculating the Likelihood function for each feature, we evaluated the features and selected the best ones. Then, using the FLD method, we reduced the dimension of the feature space, once from eight selected features and once from four selected features to one dimension. To classify the data using these features, three methods are used, Artificial neural networks, Bayes and Random forest. All of the above steps, from pre-processing to data classification, after programming in MATLAB, are converted to C++ and implemented on the STM32F407VGT6 processor that uses the ARM architecture. Proper PCB is designed and implemented and the results are visible through both on-board LEDs and the TFT LCD. In addition, data is stored on the SD-Card and the device is able to receive the input signal through USB, SPI, UART and USART. The implemented circuit is capable of correctly classifying 80% of the validation data using only one feature.