خانه / مدیریت و کارآفرینی / سیستم های اطلاعاتی / دانلود مقاله isi سیستم هوشمند ابتکاری مبتنی بر استخراج ویژگی تشخیص خودکار برای تشخیص بیماری های قلبی
دانلود مقاله isi سیستم هوشمند ابتکاری مبتنی بر استخراج ویژگی تشخیص خودکار برای تشخیص بیماری های قلبی

دانلود مقاله isi سیستم هوشمند ابتکاری مبتنی بر استخراج ویژگی تشخیص خودکار برای تشخیص بیماری های قلبی

عنوان فارسي مقاله :: دانلود مقاله isi سیستم هوشمند ابتکاری مبتنی بر استخراج ویژگی تشخیص خودکار برای تشخیص بیماری های قلبی

عنوان انگليسي مقاله :: An innovative intelligent system based on automatic diagnostic feature extraction for diagnosing heart diseases

  • تعداد صفحه مقاله انگليسي ISI ::
  • تعداد صفحه مقاله فارسي ISI ::
  • کد مقاله ISI ::
15 صحفه PDF
35 صحفه WORD
42768

فهرست مطالب ترجمه فارسي مقاله isi ::

فهرست مطالب ترجمه فارسي مقاله isi ::

چکیده
۱-مقدمه
۲-روش پژوهش
۱-۲ مرحله ۱: روش استخراج ET
۱-۱-۲ به دست آوردن صدای قلب و پیش پردازش
۲-۱-۲ استخراج ET
شکل ۱- دیاگرام بلوکی روش بررسی سیستم تشخیص هوشمند ابتکاری چهار مرحله ای پیشنهاد شده
شکل ۲- نمایش اصول یافتن P1، S12، P2 و S21. (a) P1 ناحیه محلی نزدیک به S1 متناظر با NPP . (b) S12 ناحیه موضعی از S1 تا S2 متناظر با PNP این ناحیه. (c) P2 ناحیه موضعی نزدیک به S2 متناظر با NPP . (d) S21 ناحیه موضعی از S2 تا S1 متناظر با PNP این ناحیه.
شکل ۳- روش تعیین و استخراج خودکار S1 و S2. (a-e) روش را برای مثالی از صدای نارسائی دریچه میترال (MR) ترسیم می کند و (f) و (g) روش را برای مثالی از صدای نرمال (NM) ترسیم می کند.
۲-۲ مرحله ۲: تعیین و استخراج خودکار S1 و S2
۱-۲-۲ تبدیل هیلبرت اصلاح شده کوتاه مدت (STMHT)
۲-۲-۲ استخراج خودکار S1 و S2
۳-۲ مرحله ۳: تولید خودکار ویژگی های تشخیصی y1 و y2
۱-۳-۲ پاکت های ثانویه برای تعریف S1 (به صورت SES1 نشان داده می شود) و برای تعریف S2 (به صورت SES2 نشان داده می شود)
۲-۳-۲ تعریف و استخراج خودکار FFM ماتریس ویژگی فرکانس مبتنی بر STMHT
۳-۳-۲ نتایج تجربی برای چند نوع بیماری قلبی
شکل ۴- مثالی برای تعریف ماتریس ویژگی فرکانس (FFM) و استخراج خودکار
جدول ۱- توضیح ماتریس ویژگی ناحیه فرکانس FFM
شکل ۵- مثال هایی از صدای قلب نرمال و صدای سه نوع بیمار قلبی، بیماری قلبی AR، AF و PS
۴-۳-۲ ایجاد ویژگی های تشخیصی y1 و y2 براساس PCA
جدول ۲- آنالیز آماری انحراف متوسط و استاندارد (STD) برای سیگنال های صدای AF دوره ۱۵۲، سیگنال های صدای AR دوره ۱۵۲، سیگنال های صدای MR دوره ۲۳۱، سیگنال های صدای NM دوره ۲۶۸ و سیگنال های صدای PS دوره ۱۳۸
شکل ۶- نمایش نمودار میله ای نتایج آنالیز آماری FFM تعریف شده با معادله ۲۲ برای هر نوع بیماری قلبی (AF, AR,MR, NM, PS). میله ها مقدار متوسط برای هر ویژگی در محور X را نشان می دهد. آرایه ها در بالای میله، انحراف استاندارد حجم در هر نوع بیماری قلبی را نشان می دهد.
جدول ۳- انحراف متوسط (FFMMean) و استاندارد (FFMSTD) ماتریس ویژگی FFM958x10
جدول ۴- بردارهای ویژه برای مولفه های اصلی
۴-۲ مرحله ۴: تعریف روش دسته بندی براساس منحنی مرزی دسته بندی (g)
شکل ۷- نتایج آنالیز مولفه های اصلی. a) چارت پارتو واریانس توزیع شده با هر مولفه اصلی حاصل از آنالیز مولفه های اصلی در ماتریس ویژگی FFM، b) نمودار دیاگرام پراکنش مولفه اصلی اول y1 و مولفه اصلی دوم، y2 و دیاگرام پراکنش مولفه اصلی اول y1، مولفه اصلی دوم y2 و مولفه اصلی سوم y3 در c نشان داده شده است.
۱-۴-۲ ایجاد منحنی مرزی دسته بندی براساس SVM
۲-۴-۲ تعریف روش تشخیص براساس منحنی های مرزی
شکل ۸- مرزهای دسته بندی برای پارامترهای ویژگی استخراج شده از صداهای AF، AR، MR، NM و PS
جدول ۵- نمایش ماتریس اغتشاش
۳-ارزیابی عملکرد سیستم
۱-۳ مثال ها و توضیحات
شکل ۹- VSD، MS، AR،MR، AF،PS و NM به عنوان مثال هایی برای معرفی نتایج تشخیص مبتنی بر دیاگرام پراکنش و تعیین خودکار S1 و S2 نشان داده شده اند.
جدول ۶- نتایج تشخیص عددی برای تشخیص VSD، MS، AR،MR، AF،PS و NM
جدول ۷- صداهای تجربی مورد استفاده برای ارزیابی عملکرد سیستم هوشمند پیشنهادی در این تحقیق
جدول ۸- آنالیز قیاسی چهار روش مختلف برای تشخیص صدای AF دوره ۱۸۸ از ۱۴ بیمار، صدای AR دوره ۱۸۱ از ۱۷ بیمار، صدای MR دوره ۲۵۷ از ۲۵ بیمار، صدای NM دوره ۳۲۵ از ۲۵ بیمار و صدای PS دوره ۱۵۰ از ۷ بیمار
۲-۳ مقایسه با سایر روش ها برای تشخیص چند نوع بیماری قلبی متداول
جدول ۹- صدای تجربی خلاصه شده در مطالعه [۴۰] که برای ارزیابی عملکرد سیستم هوشمند پیشنهادی در این تحقیق به کار رفت.
جدول ۱۰- مقایسه روش پیشنهادی در مطالعه [۴۰] برای تشخیص صدای SVSD دوره ۱۲۹ از ۲۱ بیمار، صدای MVSD دوره ۱۲۸ از ۲۱ بیمار و صدای LVSD دوره ۹۳ از ۱۵ بیمار
شکل ۱۰- مرزهای دسته بندی برای دو مولفه اصلی ایجاد شده از صداهای SVSD دوره ۶۲ از ۱۰ بیمار، صدای MVSD دوره ۹۰ از ۱۵ بیمار و صدای LVSD دوره ۷۴ از ۱۲ بیمار
۳-۳ مقایسه با روش قدیمی ما برای تشخیص سه نوع VSD
۴-نتیجه گیری

ترجمه چکيده مقاله ISI ::

ترجمه چکيده مقاله ISI ::

سیستم ابتکاری تشخیص هوشمند در این مقاله ارائه می شود که عمدتا در استخراج خودکار صدای قلب اولیه (S1) و صدای قلب ثانویه (S2)، استخراج خودکار ماتریس ویژگی فرکانس (FFM)، ایجاد ویژگی تشخیصی y1 و y2 براساس آنالیز مولفه های اصلی (PCA) و تعریف روش تشخیصی براساس منحنی های مرز دسته بندی منعکس می شود. چهار مرحله متناظر با اجرای سیستم تشخیصی به صورت زیر خلاصه می شود. مرحله ۱ استخراج پاکت ET از سیگنال های صدای قلب را توضیح می دهد. در مرحله ۲، پیک و نقاط جداسازی صدای قلب ابتدا به صورت خودکار براساس روش جدید STMHT واقع می شود و بعد S1 و S2 به صورت خودکار طبق رابطه میان فاصله زمانی سیستولی (انقباض قلب) و فاصله زمانی دیاستولی (انبساط قلب) استخراج می شوند. در مرحله ۳ در ناحیه فرکانس، ابتدا روش جدیدی برای ایجاد پاکت ثانویه SES1 و SES2 به ترتیب برای S1 و S2 پیشنهاد می شود و بعد FFM مبتنی بر STMHT به صورت خودکار از SES1 و SES2 استخراج می شود. درنهایت ویژگی های تشخیصی y1 و y2 مبتنی بر PCA از FFM ایجاد می شود. در مرحله ۴ منحنی های دسته بندی مبتنی بر دستگاه بردار پشتیبان (SVM) برای مجموعه داده های متشکل از y1 و y2 ایجاد و بعد براساس منحنی های دسته بندی، نتیجه تشخیصی دیاگرام پراش (SDDR) و نتیجه تشخیص عددی (NDR) برای تشخیص بیماری های قلبی تعریف شد. سیستم تشخیص هوشمند پیشنهادی با صداهایی از پایگاه داده صدای قلب آنلاین و با صداهایی از بیماری قلبی بالینی اعتباربخشی می شود. درنتیجه دقت دسته بندی (CA) حاصل برای شناسایی به ترتیب فیبریلاسیون دهلیزی (AF) (ضربان نامنظم)، نارسایی آئورت (AR)، نارسائی دریچه میترال (MR)، صدای نرمال (NM)، تنگی دریچه پولموناری (PS)، نقص دیواره بین بطنی کوچک (SVSD)، نقص دیواره بین بطنی متوسط (MVSD) و نقص دیواره بین بطنی بزرگ (LVSD)، ۷/۹۱%، ۸/۹۸% ۴/۹۸%، ۸/۹۹%، ۷/۹۸%، ۸/۹۷%، ۱/۹۸% و ۵/۹۶% است.

دانلود مقاله isi سیستم هوشمند ابتکاری مبتنی بر استخراج ویژگی تشخیص خودکار برای تشخیص بیماری های قلبی

پاسخ دهید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *