پيش‌بيني آريتمي قلبي در سيگنال ECG با به‌كارگيري مجمعي از ماشين‌هاي بردار پشتيبان چندهسته‌اي بهينه

استفاده از هوش مصنوعي در فرآيند تشخيص بيماري‌هاي قلبي سال‌ها مورد توجه پژوهش‌گران قرار گرفته است. در اين مقاله، روشي كارآمد جهت گزينش ويژگي‌هاي مناسب استخراج‌شده از سيگنال‌هاي الكتركارديوگرام (ECG)، بر پايه الگوريتم ژنتيك براي استفاده در يك اجماعي از طبقه بندهاي ماشين بردار پشتيبان (SVM) چندهسته اي كه هر كدام از اين طبقه ‌بندها به وسيله يك الگوريتم ژنتيك بهينه شده‌ اند، پيشنهاد شده است. پيشتر نشان داده شده كه به‌ علت خاصيت ‌هايش (نگاشت فضاي ويژگي و حداكثرسازي مرز تصميم) طبقه ‌بند ماشين بردار پشتيبان يكي از روش‌هاي طبقه ‌بندي است كه مناسب هر نوع محيطي محسوب مي‌شود. اين مقاله از تعدادي طبقه‌ بند ماشين بردار پشتيبان چندهسته اي به‌ عنوان يك طبقه بند تركيبي بهره مي‌ گيرد. تنوع اجماع به وسيله آموزش هر طبقه بند ماشين بردار پشتيبان چندهسته اي بر روي يك زيرفضا (يعني زيرمجموعه ‌اي از ويژگي‌ ها) ايجاد مي‌ شود. در اين روش براي تركيب خروجي طبقه‌ بندها از روش رأي اكثريت استفاده شده است. از طرفي در طبقه ‌بندي سيگنال ‌هاي ECG به طور معمول از سيگنال ‌ها به‌عنوان ويژگي‌هاي آن استفاده مي‌شود؛ در نتيجه از آن جايي كه روش‌هاي طبقه بندي سيگنال ‌ها با تعداد زيادي ويژگي مواجه هستند و حذف‌نكردن اين ويژگي‌ها مشكل ابعاد بالا را ايجاد مي‌كند و همچنين بار محاسباتي را براي كاربرد مورد نظر بالا مي‌برد، گام انتخاب ويژگي اجتناب­‌ناپذير است. ويژگي‌هاي استخراج شده شامل ويژگي‌هاي زماني، AR و ضرايب موجك‌ است كه تعداد اين ويژگي‌ها با استفاده از الگوريتم ژنتيك بهينه خواهد شد. ارزيابي اين مجموعه از ويژگي‌هاي ا‌نتخاب‌شده به‌وسيله الگوريتم ژنتيك با اعمال به يك SVM چندهسته ‌اي بررسي مي‌شود. از الگوريتم‌ ژنتيك جهت بهينه‌سازي پارامترهاي هر كدام از SVM ها استفاده مي‌ شود.‌ به‌كمك شبيه‌سازي رايانه‌اي، صحت كلي سامانه براي شناسايي شش نوع ريتم قلبي %99/15 به دست آمده است كه در مقايسه دقت حاصل‌شده با پژوهش‌هاي‌ پيشين، كارايي مطلوب روش پيشنهادي را نشان مي‌دهد.