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 PDF: ۱ | تعداد صفحات: ۶ | تعداد نمایش خلاصه: ۳۱۷ | نظرات: ۰
سال انتشار: ۱۳۹۲
کد COI مقاله: ICBME20_049
زبان مقاله: انگلیسی
حجم فایل: ۲۷۳.۵۵ کیلوبایت (فایل این مقاله در ۶ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

متن کامل این مقاله دارای ۶ صفحه در فرمت PDF قابل خریداری است. شما می توانید از طریق بخش روبرو فایل PDF این مقاله را با پرداخت اینترنتی ۳۰,۰۰۰ ریال بلافاصله دریافت فرمایید
قبل از اقدام به دریافت یا خرید مقاله، حتما به فرمت مقاله و تعداد صفحات مقاله دقت کامل را مبذول فرمایید.
علاوه بر خرید تک مقاله، می توانید با عضویت در سیویلیکا مقالات را به صورت اعتباری دریافت و ۲۰ تا ۳۰ درصد کمتر برای دریافت مقالات بپردازید. اعضای سیویلیکا می توانند صفحات تخصصی شخصی روی این مجموعه ایجاد نمایند.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل PDF مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۶ صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

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:
https://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, https://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: دانشگاه دولتی
تعداد مقالات: ۱۱۴۶۷
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.