Journal of Iranian Association of Electrical and Electronics Engineers

fa طراحی یک سیستم هوشمند مبتنی بر شبکه های عصبی و ویولت برای تشخیص آریتمی های قلبی ECG Arrhythmias Detection Using a New Intelligent System Based on Neural Networks and Wavelet Transform الکترونیک Electronic پژوهشي Research در این مقاله، یک روش جدید برای طبقهبندی آریتمیهای قلبی بر مبنای تبدیل ویولت و شبکههای عصبی ارائه شده است. از تبدیل ویولت گسسته (DWT) جهت پردازش رکوردهای ECG. و استخراج ویژگیهای زمان – فرکانس استفاده میشود. نتیجهی بدست آمده به عنوان بردار ورودی برای آموزش و تست یک شبکهی عصبی مورد استفاده قرار میگیرد. هر چند که در سالهای اخیر، الگوریتمهای متنوعی برای تشخیص آریتمیهای قلبی پیشنهاد شدهاند، اما اکثر محققین از تعداد محدودی داده در کار خود استفاده نمودهاند در حالیکه در این تحقیق از 20 رکورد موجود در پایگاه داده استاندارد MIT-BIH در قالب420 نمونه سیگنال استفاده شده است. نتایج شبیهسازی نشان میدهد که سیستم طراحی شده با استفاده از یک شبکهی عصبی پرسپترون چند لایه (MLP) به عنوان طبقهبندی کننده از دقت بالایی برخوردار میباشد و میتواند 4 کلاس آریتمی را با دقت بیش از97% طبقهبندی کند. In this paper, Automatic electrocardiogram (ECG) arrhythmias classification is essential to timely diagnosis of dangerous electromechanical behaviors and conditions of the heart. In this paper, a new method for ECG arrhythmias classification using wavelet transform (WT) and neural networks (NN) is proposed. Here, we have used a discrete wavelet transform (DWT) for processing ECG recordings, and extracting some time frequency  features to be used for training a multi-layered perceptron (MLP) neural network. In fact, the MLP NN performs the classification task. Although many algorithms have been presented for ECG arrhythmias detection over the past years, the results reported in the past, have generally been limited to relatively small set of data patterns. Here, we have used 20 recordings of the MIT-BIH arrhythmias data base for training and testing our neural network based classifier. The simulation results show that the classification accuracy of our method is 97% over 420 patterns using 20 files including four arrhythmias. ECG, آریتمی های قلبی, شبکه‌های عصبی, ویولت ECG, Arrhythmia, Discrete wavelet transform (DWT), Neural network. 33 39 http://jiaeee.com/browse.php?a_code=A-10-1-127&slc_lang=fa&sid=1 F. Pourahangarian فرشته پور آهنگریان 1003194753284600469 1003194753284600469 Yes A. Kiani آزاده کیانی 1003194753284600470 1003194753284600470 No A. Karami علی کرمی 1003194753284600471 1003194753284600471 No B. Zanj بهمن زنج 1003194753284600472 1003194753284600472 No