ECG Arrhythmia Classification Using Evolved Multilayer Perceptron Neural Network
سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: انگلیسی
مشاهده: 754
فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
TEDECE01_349
تاریخ نمایه سازی: 30 آبان 1394
چکیده مقاله:
This paper presents evolvable multilayer perceptron neural network (MLPNN) for electrocardiogram heartbeat classification based on a combination of morphological and temporal features. Data has been obtained from the MIT-BIH database to classify heartbeats to one of the five beat classes recommended by AAMI standard. For classification of the ECG signals, a hybrid training algorithm has been used and MLPNN weights have been optimized using genetic algorithm. Then back-propagation algorithm has been used as a local optimization operator. The main advantage of weight evolution by genetic algorithm is to simulate the learning process of a neural network, avoiding the drawbacks of the traditional gradient descent, such as back-propagation. Simulation results demonstrate high average detection accuracy of ECG signal patterns.
کلیدواژه ها:
نویسندگان
Leila Vahed
Microelectronics Research Laboratory Electrical Engineering Department Urmia University, Urmia, Iran
Leila Fadayee
Microelectronics Research Laboratory Electrical Engineering Department Urmia University, Urmia, Iran
Behbood Mashoufi
Microelectronics Research Laboratory Electrical Engineering Department Urmia University, Urmia, Iran
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :