پروژه آموزشی اجرای شبکه عصبی احتمالی روی دیتای بیماری هپاتیت با متلب

پروژه به این صورت هست که شبکه عصبی احتمالی روی د اده های مربوط به بیماری هپاتیت اجرا شده است. همچنین یک مقاله کمکی برای درک بهتر این موضوع ضمیمه شده است.

ترجمه ماشینی چکیده مقاله

بخش بزرگی از طیف تحقیقات زیست‌پزشکی به توسعه تکنیک‌های پردازش سیگنال الکتروکاردیوگرام (ECG) برای کمک به تشخیص زودهنگام اختصاص دارد. با این حال، معمولاً می‌توان دریافت که روش‌های آنالیز ECG گزارش‌شده محدود به عملیات میزبان رایانه شخصی خارج از خط است. نویسندگان یک روش طبقه‌بندی آریتمی را ارائه می‌کنند که بر روی یک پلت‌فرم پردازش سیگنال دیجیتال (DSP) در نظر گرفته شده برای عملیات سرپایی آنلاین و بی‌درنگ برای طبقه‌بندی هشت وضعیت ضربان قلب: ریتم طبیعی سینوسی (N)، فیبریلاسیون گوش (AF)، انقباض دهلیزی زودرس (PAC)، بلوک شاخه چپ (LBBB)، بلوک شاخه راست (RBBB)، انقباض زودرس بطنی (PVC)، بلوک قلبی سینوسی گوش (SHB) و تاکی کاردی فوق بطنی (SVT). این الگوریتم از یک فرآیند تبدیل موجک بر اساس موجک های درجه دوم برای شناسایی امواج ECG و به دست آوردن یک آرایه نشانگر واقعی استفاده می کند. طبقه بندی با استفاده از یک شبکه عصبی احتمالی انجام می شود. الگوریتم با 17 رکورد ECG به دست آمده از PhysioNetrepository آزمایش می شود. روش طبقه‌بندی پیشنهادی ابتدا بر روی MATLAB آزمایش شد و نتایج با داده‌های آنالوگ معادل تغذیه شده به نمونه اولیه اکتساب داده ECG مبتنی بر DSP از طریق یک مولد شکل موج دلخواه مقایسه شد. نتایج حاصل از آزمایش‌های ماتریس سردرگمی دقت طبقه‌بندی آنلاین 92.69٪ (AF)، 97.15٪ (N)، 76.82٪ (PAC)، 91.06٪ (LBBB)، 87.5٪ (RBBB)، 71.04٪ (PVC) را به دست آورد. 91.94٪ (SHB) و 95.45٪ (SVT)، نرخ طبقه بندی کلی 92.746٪ و 100٪ توافق بین MATLAB و پیاده سازی DSP آنلاین. نتایج نشان می‌دهد که روش و نمونه اولیه ارائه‌شده ممکن است برای پیاده‌سازی بر روی برنامه‌های حسگر پوشیدنی کمکی برای تشخیص آنلاین و بلادرنگ مناسب باشد.

 

 

پروژه آموزشی اجرای شبکه عصبی احتمالی روی دیتای بیماری هپاتیت با متلب توسط کارشناسان گروه ۱.۲.۳ پروژه پیاده سازی گردیده است .