از هر طرف بیشترین فاصله را تا هر دو گروه داشته باشد. نزدیکترین نمونه‌ها آموزشی به این صفحه طبق شکل (3-11)، بردار‌های پشتیبان نام دارند. در واقع این نمونه‌ها به نوعی مرز گروه خودی را مشخص می‌کنند[27]. این روش می‌تواند برای جداسازی گروه‌ها از یکدیگر از کرنل‌های متفاوتی مانند کرنل گوسی و کرنل نمایی استفاده کند. کرنل گوسی در زیر آورده شده است:

فرض کنید برای طبقه‌بندی داده‌ای با m نمونه آموزش {(x_1,y_1 ),…(x_m,y_m ) } با برچسب گروه y_i∈{-1,+1} .

شکل 3-11: تصویری از طبقهبند ماشین بردار پشتیبان که نمونهها را توسط ابرصفحه به دو گروه تقسیم کرده است. صفحات پشتیبان بصورت خطچین مشخص شدند و فاصله دو صفحه از هم به اندازه 2⁄‖w‖ میباشد.
هدف یافتن تابع تمایز خطی به شکل w∙Φ(x)+b=0 است که بر اساس نگاشت فضای ورودی، دو گروه را از هم تفکیک کند و Φ عملگر نگاشت خطی است. برای تولید ابر صفحه بهینه با بیشترین حاشیه ممکن و کمترین خطا جهت در آموزش ماشین بردار پشتیبان خطی، مسئله زیر تعریف می‌شود:
〖min┬(w,b) 〗⁡〖1/2 ‖w‖^2+C∑_(i=1)^m▒ξ_i 〗
subject to y_i (w∙Φ(x)+b)≥1-ξ_i, ξ_i≥0
با توجه رعایت افزایش حاشیه ابرصفحه برای کمترین خطا در یادگیری شبکه توسط داده، متغیر C در رابطه فوق لحاظ شده است که مصالحه‌ای بین افزایش حاشیه و کمترین خطا در یادگیری شبکه ایجاد کند، بدین منظور زمانی که نگاشت خطی نتواند مانع روی هم افتادگی نمونه‌ها شود، ضریب C طوری تعیین می‌شود که افزایش حاشیه ابر صفحه توام با کاهش خطای یادگیری شبکه گردد]28[. حال رابطه زیر با استفاده از ضرایب لاگرانژ قابل حل است:
max┬α⁡〖 ∑_(i=1)^m▒〖α_i-1/2〗〗 ∑_(i,j=1)^m▒〖α_i α_j y_i y_j k(x_i,x_j ) 〗
w=∑_(i=1)^m▒〖α_i y_i ϕ(x_i) , ∑_(i=1)^m▒〖α_i y_i=0, 0≤α_i≤C 〗〗
3-11- الگوریتم بهینه‌سازی ذرات(PSO23)
بهینه‌سازی ازدحام ذرات (PSO) توسط ]32[ در سال 1995 توسعه داده شد. در PSO، یک پرنده از یک گله به عنوان یک ذره نشان داده می‌شود. موقعیت هر ذره را می توان به عنوان راه حل مناسب به یک مساله بهینه‌سازی در نظر گرفت. در اين الگوريتم هر عضو گروه كه يك ذره ناميده مي‌شود داراي يك مقدار شايستگي است كه در تابع هدف تعين مي‌شود. هنگامی که هر ذره برای موقعیت جدیدی در فضای جستجو حرکت می‌کند،بهترین اطلاعات خصوصی را حفظ می‌نماید (Pbest). علاوه بر این به خاطر سپردن اطلاعات خاص، هر ذره با سایر ذرات مبادله و بهترین را حفظ می کند (Gbest). سپس، هر ذره به سرعت خود را اصلاح و جهت تطابق با Pbest آن و Gbest به سمت مقدار بهینه حرکت و راه حل بهینه را پیدا می‌کند. با توجه به مزایای استفاده از نرم افزار ساده و آسان، نیاز کمتر تنظیم پارامتر، و عملکرد مناسب و معقول، PSO در بسیاری از زمینه‌ها به تصویب رسیده شد، مانند TSP، flowshop ، VRP، وظیفه تخصیص منابع در شبکه، زمانبندی ویژه و غیره. برای شروع یک الگوریتم PSO، سرعت اولیه و موقعیت هر ذره در یک گروه از ذرات به طور تصادفی تعیین می‌شود. سپس، روند در در حال تکامل تحول به شرح زیر است:
موقعیت اولیه و سرعت هر ذره در بعد n ام به صورت تصادفی تعیین می‌شود.
ارزش تناسب از هر ذره با توجه به تابع هدف تعریف شده، ارزیابی شده است.
اگر مقدار سازگاری از مکان فعلی هر ذره نسبت به Pbest خود بهتر است، Pbest به موقعیت فعلی تنظیم شده است.
مقدار سازگاری ذره با Gbest آن مقایسه شده است. اگر آن بهتر است، Gbest به روز‌رسانی شده است.
معادله زیر همانطور که در زیر نشان داده شده است برای به روز‌رسانی سرعت و موقعیت هر ذره اعمال می‌شود.
V_id^(t+1)= V_id^t+c_1×Rand1 ×(P_id-X_id )+c_2×Rand2×(P_gd-X_id )
X_id^(t+1)= X_id^t+V_id^(t+1)
Vid مولفه سرعت ذره i ام در بعد DTH است.
Xid جزء موقعیت ذره i ام در بعد DTH است.
c1 عامل یادگیری شناختی است.
c2 عامل یادگیری اجتماعی است.
Pid جزء موقعیت از pbest ذره i ام در بعد dth می‌باشد.
Pgd جزء موقعیت از در بعد dth gbest است.
Rand یک عدد تصادفی بین [0, 1].
3-11-1- وزن اینرسی
از زمانی که PSO ابداع شد، بسیاری از الگوریتم‌های مشتق شده توسعه یافته اند. در معادله زیر، پیشرفت ذرات توسط عوامل یادگیری شناختی و اجتماعی متعلق به توانایی جستجوی محلی هدایت شدند. معادله زیر، پیشرفت سرعت در طول مسیر از ذرات به خودی خود است و متعلق به توانایی جستجوی جهانی است.
V_id^(t+1)= ωV_id^t+c_1×Rand1 ×(P_id-X_id )+c_2×Rand2×(P_gd-X_id )
بنابراین، ]33[ مفهوم مقدار وزن اینرسیایی پیشنهاد کردند و افزودند: مقدار وزن اینرسیایی (W) به الگوریتم PSO اصلی، معادله بالا، به تعادل توانایی جستجو جهانی و توانایی جستجوی محلی، همانطور که در معادله زیر نشان داده شده است و در نتیجه افزایش توانایی برای قرار دادن راه حل بهینه و نرخ همگرایی.
X_id^(t+1)= X_id^t+V_id^(t+1)
فلوچارت الگوریتم PSO به صورت شکل 3-12 نشان داده شده است.

خیر

بله

شکل 3-12: فلوچارت الگوریتم PSO ]32[.

3-12- شمای کلی سیستم طبقه‌بندی سیگنال ECG
الگوریتم کلی طبقه‌بندی سیگنال ECG به صورت زیر است. که انتخاب ویژگی به وسیله الگوریتم فاخته و تنظیم پارامترهای SVMتوسط PSO انجام شده است.

شکل 3-13: فلوچارت سیستم کلی طبقه بندی سیگنال قلب

فصل چهارم

روش پیشنهادی طبقه‌بندی سیگنال ECG

4-1- مقدمه
در این فصل به تشریح مراحل مختلف اجرای روش پیشنهادی می‌پردازیم و همچنین تاثیر تغییر پارامترهای موثر در اجرای این روش،بررسی خواهد شد. پیاده‌سازی این روش در محیط نرم افزار متلب انجام شده است که در آن ابتدا به توضیح مراحل پیش پردازش سیگنال،سپس مراحل مربوط به استخراج‌ و انتخاب ویژگی‌ها و در نهایت طبقه‌بندی داده‌ها،برای طبقه‌بندی سیگنال نرمال و 5 اریتمی می‌پردازیم. ترتیب اجرای الگوریتم‌ها و تکنیک‌های بکار رفته در روش پیشنهادی این تحقیق در شکل(4-1) نشان داده شده است.
سیگنالهای ECG مربوط به بیماران مختلف از پایگاه داده استاندارد MIT-BIH تهیه شده‌اند. این پایگاه داده دارای 48 سیگنال ECG دوکاناله است که از 47 مورد مطالعاتی در لابراتوار آریتمی BIH بین سالهای 1975 تا 1979 بدست آمده است. سیگنالها با فرکانس 360 نمونه بر ثانیه و با دقت 12 بیت در محدوده 10 میلی ولت ذخیره شده‌اند. سیگنال20 بیمار به شمارههای 100، 102، 104، 105، 106، 107، 118، 119، 200، 201، 202، 203، 205، 208، 209، 212، 213، 214، 215 و 217 مطابق با [3] به عنوان داده ورودی انتخاب شدند. با استفاده از نرم افزار WFBD این داده‌ها به داده‌هایی جهت ورود به نرم افزار تبدیل می شوند ‌که‌ علاوه بر خود سیگنال ECG ، داده‌های با ارزشی مثل نقاط R مربوط به هر ضربان زمان وقوع موج R و نوع بیماری هر ضربان در اختیار ما قرار می‌گیرد.

خیر

بله
خیر

بله
4-2- پیش‌پردازش سیگنال ECG

شکل 4-1 : فلوچارت الگوریتم پیشنهادی طبقه بندی سیگنال ECG در این پژوهش را نشان می‌دهد که در آن از الگوریتم فاخته برای انتخاب ویژگی و از الگوریتم PSO برای تنظیم پارامترهای SVMاستفاده شده است.

4-2-1- شیفت سیگنال به انحراف زمینه24
نویز ناشی از نفس‌کشیدن که‌ درهنگام ثبت سیگنال الکتروکار

دسته بندی : No category

دیدگاهتان را بنویسید