CIVILICA We Respect the Science
(ناشر تخصصی کنفرانسهای کشور / شماره مجوز انتشارات از وزارت فرهنگ و ارشاد اسلامی: ۸۹۷۱)
عنوان
مقاله

Manifold Learning for ECG Arrhythmia Recognition

اعتبار موردنیاز: ۱ | تعداد صفحات: ۶ | تعداد نمایش خلاصه: ۲۴۱ | نظرات: ۰
سال انتشار: ۱۳۹۲
کد COI مقاله: ICBME20_049
زبان مقاله: انگلیسی
فایل PDF حاوی متن کامل این مقاله در حال حاضر در سایت موجود نمی‌باشد.

راهنمای دانلود فایل کامل این مقاله

متن کامل این مقاله منتشر نشده و درپایگاه سیویلیکا موجود نمی باشد.

منبع مقالات سیویلیکا دبیرخانه کنفرانسها است. برخی از دبیرخانه ها اقدام به انتشار اصل مقاله نمی نمایند. به منظور تکمیل بانک مقالات موجود، چکیده این مقالات در سایت درج می شوند ولی به دلیل عدم انتشار اصل مقاله، امکان ارائه آن وجود ندارد.

خرید و دانلود PDF مقاله

اصل مقاله (فول تکست) فوق منتشر نشده و یا در سایت موجود نیست و امکان خرید آن فراهم نمی باشد

مشخصات نویسندگان مقاله Manifold Learning for ECG Arrhythmia Recognition

  E Lashgari - Department of Electrical Engineering Sharif University of Technology Tehran, Iran
  M Jahed - Department of Electrical Engineering Sharif University of Technology Tehran, Iran
  B Khalaj - Department of Electrical Engineering Sharif University of Technology Tehran, Iran

چکیده مقاله:

Heart is a complex system and we can find its function in electrocardiogram (ECG) signal. The records show high mortality rate of heart diseases. So it is essential to detectand recognize ECG arrhythmias. The problem with ECG analysis is the vast variations among morphologies of ECGsignals. Premature Ventricular Contractions (PVC) is a commontype of arrhythmia which may lead to critical situations and contains risk. This study, proposes a novel approach for detectingPVC and visualizing data with respect to ECG morphologies by using manifold learning. To this end, the Laplacian Eigenmaps –One of the reduction method and it is in the nonlinear category -- is used to extract important dimensions of the ECG signals,followed by the application of Bayesian and FLDA methods for classifying the ECG data. The recognition performance of systemwas evaluated through accuracy, sensitivity and specificitymeasures. The best result shows that 98.97

کلیدواژه‌ها:

Manifold Learning , Laplacian Eigenmaps , Electrocardiogra , Nonlinear Dimensionality Reduction Methods.

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
http://www.civilica.com/Paper-ICBME20-ICBME20_049.html
کد COI مقاله: ICBME20_049

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
Lashgari, E; M Jahed & B Khalaj, ۱۳۹۲, Manifold Learning for ECG Arrhythmia Recognition, بیستمین کنفرانس مهندسی زیست پزشکی ایران, تهران, دانشگاه تهران, http://www.civilica.com/Paper-ICBME20-ICBME20_049.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (Lashgari, E; M Jahed & B Khalaj, ۱۳۹۲)
برای بار دوم به بعد: (Lashgari; Jahed & Khalaj, ۱۳۹۲)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز:
تعداد مقالات: ۱۷۲۴۸
در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

مدیریت اطلاعات پژوهشی

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

مقالات مرتبط جدید

شبکه تبلیغات علمی کشور

به اشتراک گذاری این صفحه

اطلاعات بیشتر درباره COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.