طبقه بندی سیگنال های الکتروکاردیو گرافیک در بیماران صرعی با استفاده از شبکه عصبی بازگشتی المان

هدف از این مطالعه ارزیابی عملکرد شبکه های عصبی بازگشتی (RNNs) و پرسیترون چند لایه (MLPNN) در طبقه بندی سیگنال های الکتروکاردیوگرام است. بدین منظور از ضربان های قلبی نرمال و صرعی موجود در پایگاه داده MIT-BIH استفاده شد. برای آموزش شبکه ها، ویژگی های ضرایب ویولت و نماهای لیاپانوف در هر ضربان استخراج شد. صحّت کل و میانگین مربّعات خطا به عنوان معیاری برای ارزیابی عملکرد شبکه ها در نظر گرفته شد. بهترین نتایج یا شبکه عصبی بازگشتی المان و الگوریتم آموزش لونیرگ- مارکوارت یا 8 نرون در لایه مخفی حاصل شد. صحّت طبقه بندی در این شبکه 100% بوده است. در حالی که شبکه عصبی پروسپترون چند لایه، یا ساختاری پیچیده تر (15 نرون در لایه مخفی) ضربان های نرمال و صرعی را با صحّت 96.9% طبقه بندی نمود. نتایج مطالعه حاضر نشان می دهد که شبکه عصبی بازگشتی المان یا به کارگیری ویژگی های ترکیبی ضرایب ویولت و نماهای لیاپانوف می تواند در طبقه بندی ضربان های قلبی نرمال و صرعی مفید واقع شود.

کلیدواژه ها:

الگوریتم لونیرگ- ماکوارت ، سیگنال الکتروکاردیوگرام (ECG) ، شبکه های عصبی بازگشتی (RNN) ، ضرایب ویولت ، نماهای لیاپانوف