ترجمه فارسی عنوان مقاله
تشخیص بیماری‌های قلبی با استفاده از الگوریتم خوشه فازی
عنوان انگلیسی
A heart disease recognition embedded system with fuzzy cluster algorithm
| کد مقاله | سال انتشار | تعداد صفحات مقاله انگلیسی |
|---|---|---|
| 79179 | 2013 | 8 صفحه PDF |
منبع
Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)
Journal : Computer Methods and Programs in Biomedicine, Volume 110, Issue 3, June 2013, Pages 447–454
فهرست مطالب ترجمه فارسی
چکیده
کلمات کلیدی
1.مقدمه
شکل ۱ - شکل موج پیشرفته الکتروکاردیوگرام با این بخش.
2- روش ها
شکل 2 - نمودار بلوک ECC از ماژول های سیستم
شکل 3 - نمونه هایی از سیگنال قلب (25).
۲.۱ صافی‌ها
۲.۲. الگوریتم خوشه فازی
شکل ۴ - سیگنال‌های الکتروکاردیوگرام با سطح فعلی و جریان مستقیم.
شکل ۵ - سیگنال‌های الکتروکاردیوگرام تصفیه‌شده.
شکل ۶ - تابع عضویت گاوسی.
3.2- همبستگی
شکل ۷ - مجموعه ۲۰ نمونه پس از الگوریتم خوشه‌بندی فازی
4.2- طراحی در آرایه دروازه قابل برنامه ریزی میدان
شکل 8 - الگوریتم بلوک دیاگرام.
شکل 9 - نشان دادن چند جزء هیئت مدیره شروع به کار Xylinx Spartan 3A.
3- نتایج
جدول ۱ - ویژگی‌های اصلی هیات‌مدیره از شکل ۹.
شکل 10 - مثال LED LD0 نشان دهنده انفارکتوس میوکارد است.
جدول 2 - نتایج مقایسه.
شکل 11 - چرخه ساعت برای 20 نمونه.
4- بحث و نتیجه‌گیری
کلمات کلیدی
1.مقدمه
شکل ۱ - شکل موج پیشرفته الکتروکاردیوگرام با این بخش.
2- روش ها
شکل 2 - نمودار بلوک ECC از ماژول های سیستم
شکل 3 - نمونه هایی از سیگنال قلب (25).
۲.۱ صافی‌ها
۲.۲. الگوریتم خوشه فازی
شکل ۴ - سیگنال‌های الکتروکاردیوگرام با سطح فعلی و جریان مستقیم.
شکل ۵ - سیگنال‌های الکتروکاردیوگرام تصفیه‌شده.
شکل ۶ - تابع عضویت گاوسی.
3.2- همبستگی
شکل ۷ - مجموعه ۲۰ نمونه پس از الگوریتم خوشه‌بندی فازی
4.2- طراحی در آرایه دروازه قابل برنامه ریزی میدان
شکل 8 - الگوریتم بلوک دیاگرام.
شکل 9 - نشان دادن چند جزء هیئت مدیره شروع به کار Xylinx Spartan 3A.
3- نتایج
جدول ۱ - ویژگی‌های اصلی هیات‌مدیره از شکل ۹.
شکل 10 - مثال LED LD0 نشان دهنده انفارکتوس میوکارد است.
جدول 2 - نتایج مقایسه.
شکل 11 - چرخه ساعت برای 20 نمونه.
4- بحث و نتیجه‌گیری
ترجمه کلمات کلیدی
شناسایی زمان واقعی - بیماری قلبی؛ دروازه آرایه برنامه ریزی درست؛ پردازنده هسته نرم؛ خوشه بندی فازی؛ سیستم های جاسازی شده
کلمات کلیدی انگلیسی
Real-time identification; Heart disease; Field programmable gate arrays; Soft-core processors; Fuzzy clustering; Embedded system
ترجمه چکیده
این مقاله تحلیل پایداری و توسعه سیستم شناسایی بیماری‌های قلبی را ارایه می‌دهد. این برنامه کاهش زمان برای پردازش سیگنال الکتروکاردیوگرام را با کاهش مقدار نمونه‌های داده، بدون هیچ تلفات قابل‌توجه ارائه می‌دهد. هدف سیستم توسعه‌یافته تجزیه و تحلیل سیگنال‌های قلب است. سیگنال‌های ECG به سیستم اعمال می‌شوند که فیلتر اولیه را انجام می‌دهد و سپس از یک الگوریتم خوشه‌بندی فازی گاستافسون-كسل برای طبقه‌بندی سیگنال و همبستگی استفاده می‌کند. طبقه‌بندی انواع بیماری‌های قلبی مانند آنژین، بیماری‌های قلبی عروقی و بیماری‌های عروق کرونری را نشان می‌دهد.
این سیستم از بانک اطلاعاتی پیشرفته الکتروکاردیوگرام ( EDB ) به عنوان مرجع برای آزمایش‌ها و ارزیابی استفاده می‌کند. نتایج نشان می‌دهند که سیستم می‌تواند تشخیص بیماری قلبی را روی مجموعه داده که از ۲۱۳ تا فقط ۲۰ نمونه کاهش‌یافته است انجام دهد در نتیجه کاهش تنها ۹.۴ ٪ از مجموعه اصلی را کاهش می‌دهد در حالی که همان اثربخشی را حفظ می‌کند این سیستم در یک آرایه دروازه قابل برنامه ریزی میدان Xilinx Spartan-3A معتبر است. آرایه آنتن قابل‌برنامه‌ریزی میدان قابل‌برنامه‌ریزی ( FPGA )، پردازنده میکروبلاج را اجرا کرده‌است که در نرخ کلاک ۵۰ MHz اجرا می‌شود.
(۲۰۱۳ ) با مسئولیت محدود. همه حقوق محفوظ است.
ترجمه مقدمه
آنالیز یک الکتروکاردیوگرام توسط پزشکان و دیگر متخصصان سلامت انجام می‌شود تا بسیاری از بیماری‌های قلبی را تشخیص دهند. این تحلیل شامل استخراج اطلاعات از قله‌ها و فواصل زمانی شکل موج سیگنال است. برخی تجهیزات الکترونیکی پیشرفته حتی می‌توانند آنالیز را در خانه بیمار براساس چند پارامتر استخراج‌شده ، انجام دهند (1).
برخی از سیستم های تشخیص قلب مبتنی بر الگوریتم های رایانه ای هستند که از تکنیک های پردازش سیگنال برای تفسیر ویژگی های الکتروکاردیوگرام استفاده می کنند، بنابراین تشخیص اولیه یک بیماری قلبی است. با رجوع به رفرنس(2) پیشنهاد می‌کند که روش‌های شناسایی و تقسیم‌بندی، مدل‌های موج ، و روش‌های سازگاری بدون نظارت بیمار برای تشخیص ایسکمی مغزی استفاده شوند. این روش استفاده از تقسیم‌بندی را برای تحلیل داده‌ها در پردازش سیگنال نمایش می‌دهد. آن از همان بانک داده ECG و همان حساسیت و پیش بینی مثبت در کار ما استفاده می‌کند. قوانین ابتکاری ارائه‌شده توسط متخصصان قلب به عنوان پایه دانش مورد استفاده قرار می‌گیرند.
از سوی دیگر، (3) یک سیستم طبقه‌بندی بی‌نظمی قلب با استفاده از طبقه‌بندی کننده‌های فازی را معرفی می‌کند که از الگوریتم های هوش مصنوعی و پایه دانش برای طبقه‌بندی آریتمی استفاده می‌کند. با رجوع به رفرنس(4) نقاط خاصی از (بخش ST ) با استفاده از تداخل فازی شبکه‌ای و یک پایگاه دانش موسسه تکنولوژی فشار خون بالا در داخل جمجمه ای ماساچوست را شناسایی می‌کند تا اشکال بخش را طبقه‌بندی کند و در نتیجه باعث تشخیص چند بیماری قلبی شود. این کارها مکانیزم شناسایی را با مقایسه سیگنال با بانک‌داده بکار می‌برند.
اهمیت پالایش در سیگنال ECG با (9) . ارائه شده‌است. همچنین از دو روش تحقیق ترکیبی استفاده می‌کند؛ تبدیل سریع فوریه ( FFT ) و آستانه موجک دو ( WTD ) برای نشان دادن اهمیت پردازش زمان واقعی. این کار در آرایه‌های دروازه قابل‌برنامه‌ریزی میدان قابل‌برنامه‌ریزی (FPGA)ها تایید شد(10) یک سیستم طبقه‌بندی سیگنال ECG با استفاده از شبکه عصبی که در سخت‌افزار پیاده‌سازی شد را نشان می‌دهد. همچنین پیاده‌سازی سخت‌افزاری قابل‌حمل با استفاده از آرایه گیت قابل‌برنامه‌ریزی میدان را نشان داد.
با رجوع به رفرنس (11). سیستمی را ارایه می‌دهد که تجزیه و تحلیل زمان واقعی از کمپلکس QRS را برای نشان دادن حضور یک کاردیوپاتی که در آرایه گیت قابل‌برنامه‌ریزی میدان اجرا می‌شود ، ارایه می‌دهد. الکتروکاردیوگرام با استفاده از یک طرح حذف انطباقی ( ALS ) در یک پایگاه‌داده موسسه تکنولوژی فشار خون بالا در داخل جمجمه ای ماساچوست توسط در آرایه قابل‌برنامه‌ریزی میدان قابل‌برنامه‌ریزی اجرا می‌شود (12).
براساس منابع پیشین، می توان مشاهده کرد که پردازش اطلاعات الکتروکاردیوگرام به چهار عامل بستگی دارد: اکتساب داده، فیلتر کردن ، الگوریتم های تشخیص و پایگاه دانش. می توان تقاضا برای دستگاه‌های قابل‌حمل، براساس آرایه دروازه قابل‌برنامه‌ریزی میدان قابل‌برنامه‌ریزی را به عنوان یک مکانیزم تایید کننده ، مشاهده کرد.
توسعه یک سیستم تشخیص قلبی قابل‌حمل که قادر به پردازش سیگنال زمان واقعی و تجزیه و تحلیل یک الکتروکاردیوگرام است برای نظارت بر بیماران با ریسک بالا و کمک به پزشکان برای تصمیم‌گیری مهم است.
توسعه یک الگوریتم برای استخراج خصوصیات ECG اصلی برای سیستم‌های تعبیه‌شده ، چالش‌هایی مانند سیگنال‌های متغیر زمان و متغیرهای فیزیولوژیکی، از جمله جنسیت و سن بیمار را ارایه می‌دهد. همچنین این الگوریتم باید در نظر گرفته شود، که به طور کلی توسط سایر تجهیزات الکتریکی در مجاورت و توسط حرکات ماهیچه بیمار تولید می‌شود(13). فیلتر یکی از اجزای مربوطه در پردازش سیگنال ECG است (19)، و همچنین برای شناسایی و طبقه‌بندی سیگنال مورد استفاده قرار می‌گیرد. استفاده از فیلتر در سیگنال ورودی ECG لازم است، بنابراین الگوریتم خوشه فازی GK( ۱۴ ) را می توان بعدا انجام داد. الگوریتم خوشه اساسا شامل تطبیق تکنیک مجموعه‌های قاعده است. به عبارت دیگر، این فرآیند گروه‌بندی مجموعه‌ای از قواعد، اشیا حقیقی یا انتزاعی به مجموعه‌ای از قواعد یا اشیا مشابه است. این روش برای شناسایی نقاطی که ویژگی‌های اصلی یک سیگنال الکتروکاردیوگرام را توصیف می‌کنند تطبیق داده می‌شود. پردازش سیگنال محدود به آن نقاط می‌شود، در نتیجه تعداد داده‌های پردازش شده کاهش می‌یابد، که به نوبه خود اجرای سخت‌افزار را تسهیل می‌کند. با این وجود، از تکنیک‌های هوش مصنوعی برای شناسایی و طبقه‌بندی سیگنال‌های ECG استفاده شده‌است ( ۱۰، ۱۷ ).
الگوریتم نمونه‌گیری فازی، مرتبط‌ترین مورد سیگنال ECG را استخراج می‌کند، بنابراین به طور قابل‌توجهی مقدار تاریخ تحلیل شده را بدون از دست دادن اطلاعات مهم کاهش می‌دهد. این یک مزیت بزرگ در یک سیستم تعبیه‌شده است چون به تلاش محاسباتی کمتری نیاز دارد.
با استفاده از تکنیک همبستگی ( ۱۹، ۲۰ )، سیگنال ECG با دیگر سیگنال‌های نمونه‌گیری شده قبلی در حافظه سیستم مقایسه می‌شود. این مقایسه ضریب شباهت بین سیگنال ECG و سیگنال‌های موجود در بانک داده را نشان می‌دهد ( ۲۱ ). این مقایسه با ارائه بزرگ‌ترین عامل به عنوان یک تشخیص بیمار ممکن شناخته می‌شود. معیارهای دیگر مانند فاصله اقلیدسی معمولی یا کولبرک لیبلر نیز می‌تواند مورد استفاده قرار گیرد، اما نتایج مشابه هستند.
شکل ۱ - شکل موج پیشرفته الکتروکاردیوگرام با این بخش.
الگوریتم های جزیی در هر مرحله، فیلتر، الگوریتم خوشه فازی و همبستگی با استفاده از ابزارهای ریاضی کار می کنند ریاضی تایید شدند. همانطور که در شکل ۱ نشان‌داده‌شده، الگوریتم به طور کامل در زبان برنامه‌نویسی C پیاده‌سازی شد. کد برنامه‌نویسی با توجه به موسسه استانداردهای ملی آمریکا به منظور برآورده کردن سازگاری با طیف گسترده‌ای از کامپایلرها و پلت فرم‌ها توسعه داده شد (22). کد پیاده‌سازی شده در یک FPGA به منظور اجرا توسط یک پردازنده لکه های ریز اجرا می‌شود. پردازشگر نرم پردازنده پردازش سیگنال را انجام می‌دهد، تجزیه و تحلیل و تشخیص بیماری قلبی را انجام می‌دهد ، بنابراین پردازش سیگنال را در زمان واقعی پردازش می‌کند. استفاده از آرایه گیت های قابل‌برنامه‌ریزی میدان قابل‌برنامه‌ریزی در کاربردهای پزشکی، به خصوص آنالیز ECG، نشان می‌دهد که پیاده‌سازی سخت‌افزاری سیستم تشخیص بیماری‌های قلبی زمان واقعی قابل دوام است (23).
پیش نمایش مقاله
