فایل ورد پردازش هوشمند سيگنال الکتروکارديوگرام به منظور تشخيص بيماري با استفاده ازتبديل موجک و شبکه عصبي مصنوعي

لینک دانلود

 فایل ورد پردازش هوشمند سيگنال الکتروکارديوگرام به منظور تشخيص بيماري با استفاده ازتبديل موجک و شبکه عصبي مصنوعي دارای 8 صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد فایل ورد پردازش هوشمند سيگنال الکتروکارديوگرام به منظور تشخيص بيماري با استفاده ازتبديل موجک و شبکه عصبي مصنوعي  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ريختگي احتمالي در متون زير ،دليل ان کپي کردن اين مطالب از داخل فایل ورد مي باشد و در فايل اصلي فایل ورد پردازش هوشمند سيگنال الکتروکارديوگرام به منظور تشخيص بيماري با استفاده ازتبديل موجک و شبکه عصبي مصنوعي،به هيچ وجه بهم ريختگي وجود ندارد


بخشی از متن فایل ورد پردازش هوشمند سيگنال الکتروکارديوگرام به منظور تشخيص بيماري با استفاده ازتبديل موجک و شبکه عصبي مصنوعي :


سال انتشار : 1395

نام کنفرانس یا همایش : اولين کنفرانس نوآوري در علوم کامپيوتر و مهندسي برق

تعداد صفحات :8

چکیده مقاله:

از میان سیگنالهای پزشکی، سیگنالهای قلبی به علت اهمیت ویژهای که در تشخیص سلامت یک فرد دارند، میتوان مورد توجه ویژهای قرار بگیرند. سیگنالهای قلبی از روی بدن یک انسان قابل ثبت میباشند که به آنها سیگنالهای الکتروکاردیوگرام یا ECG گفته میشود.پزشک متخصص از روی این سیگنالها میتواند اکثر بیماریهای قلبی را تشخیص دهد. در این مقاله روشی برای طبقه بندی سیگنال ECG ارایه میگردد. در این روش ابتدا نویز فرکانس پایین مربوط به عضلات بدن حذف و سپس از سیگنال تبدیل موجک گرفته میشود. آنگاه نویز فرکانسبالا از سیگنال حذف شده و دوباره سیگنال اصلی بازسازی میشود، که یک سیگنال بدون نویز و حاوی ویژگیهای اصلی میباشد. همچنین با اینعمل حجم اطلاعات برای پردازش مراحل بعدی 75 % کاهش مییابد. در مرحله بعد با استفاده از یک الگوریتم پیشنهادی تعیین مقدار بیشینه، موج R تشخیص داده شده و سرعت ضربان قلب محاسبه میشود. در نهایت سیگنال برای تعلیم و ارزیابی شبکه عصبی مصنوعی برای طبقه بندیو تشخیص هوشمند بیماری آماده میشود. طراحی انجام شده بر روی مجموعهای از سیگنالهای ECG مربوط به پایگاه داده MIT-BIH موردبررسی قرار گرفته است که تحلیل نتایج خروجی، حساسیت متوسط بالای 98.57 % را برای روش پیشنهادی نشان میدهد

توضیحات بیشتر