آمار
| تعداد نشریات | 45 |
| تعداد شمارهها | 1,479 |
| تعداد مقالات | 18,073 |
| تعداد مشاهده مقاله | 58,476,650 |
| تعداد دریافت فایل اصل مقاله | 19,836,092 |
پیشبینی سریهای زمانی سیگنالهای دینامیکی آشوبناک با استفاده از روشهای یادگیری ماشین برای تغییرپذیری ضربان قلب | ||
| مجله مهندسی برق دانشگاه تبریز | ||
| مقالات آماده انتشار، اصلاح شده برای چاپ، انتشار آنلاین از تاریخ 22 فروردین 1405 | ||
| نوع مقاله: علمی-پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/tjee.2026.66884.5011 | ||
| نویسندگان | ||
| علیرضا فرجی* 1؛ مسیحا اصغری نژاد2 | ||
| 1استادیار دانشکده مهندسی برق و کامپیوتر دانشگاه کاشان | ||
| 2گروه آموزش کنترل. دانشکده مهندسی برق و کامپیوتر. دانشگاه کاشان. کاشان. ایران | ||
| چکیده | ||
| تغییرپذیری ضربان قلب (HRV)، که از فواصل RR در سیگنالهای ECG به دست میآید، فعالیت سیستم عصبی خودکار را منعکس میکند که پیشبینی آن به دلیل ماهیت غیرخطی و آشوبناک آن چالش برانگیز است. در این مقاله، ابتدا سیگنالهای ECG برچسبگذاری شده از پایگاه داده Physionet به دست آمدند. سپس، فیلتر میانگذر مرتبه چهارم Butterworth و بازسازی فضای فاز با رویکرد پنجره کشویی بر روی این سیگنالهای آشوبناک اعمال شده و با چهار روش یادگیری ماشین آموزش داده شدند. از آنجایی که LSTM و CNN به ترتیب به دلیل قابلیتهای زمانی و فرکانسی خود عملکرد بهتری نسبت به سایر روشها نشان دادند، یک روش ترکیبی LSTM+CNN پیشنهاد شد که معیارهای ارزیابی RMSE و R² را بهبود بخشید و نشان داده شد که دارای قابلیتهای زیر است: مقاومت در برابر نویز سفید و صورتی، توانایی تشخیص سیگنالهای بیمار آریتمی بدون برچسب از سیگنالهای سالم، و توانایی پیشبینی سیگنالهای HRV سالم و ناسالم. | ||
| کلیدواژهها | ||
| سیگنال دینامیکی آشوبناک؛ پیشبینی سریهای زمانی؛ بازسازی فضای فاز؛ یادگیری ماشین؛ بازههای HRV و RR | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 2 |
||