A new arrhythmia clustering technique based on Ant Colony Optimization

Abstract

In this paper, a new method for clustering analysis of QRS complexes is proposed. We present an efficient Arrhythmia Clustering and Detection algorithm based on medical experiment and Ant Colony Optimization technique for QRS complex. The algorithm has been developed based on not only the general signal detection knowledge, but also on the ECG signal’s specific features. Furthermore, our study brings the power of Ant Colony Optimization technique to the ECG clustering area. ACO-based clustering technique has also been improved using nearest neighborhood interpolation. At the beginning of our algorithm, we implement signal filtering, baseline wandering and parameter extraction procedures. Next is the learning phase which consists of clustering the QRS complexes based on the Ant Colony Optimization technique. A Neural Network algorithm is developed in parallel to verify and measure the success of our novel algorithm. The last stage is the testing phase to control the efficiency and correctness of the algorithm. The method is tested with MIT-BIH database to classify six different arrhythmia types of vital importance. These are normal sinus rhythm, premature ventricular contraction (PVC), atrial premature contraction (APC), right bundle branch block, ventricular fusion and fusion. Our simulation results indicate that this new approach has correctness and speed improvements.

Keywords: ECG; Ant Colony Optimization (ACO); Clustering; Neural networks; Arrhythmia detection; k-Nearest neighborhood classifier

دانلود رایگان مقاله انگلیسی 696.63 KB

چکیده
در این مقاله، روش جدیدی برای آنالیز خوشه بندی مجموعه های QRS پیشنهاد می شود. یک الگوریتم خوشه بندی و تشخیص بی نظمی کارای مبتنی بر آزمایش پزشکی و تکنیک بهینه سازی کلونی مورچه برای مجموعه ی QRS ارائه می کنیم. الگوریتم نه تنها بر مبنای دانش تشخیص سیگنال کلی بلکه همچنین بر مبنای مشخصه های مختص سیگنال ECG توسعه یافته است. بعلاوه، مطالعه ی ما، قدرت تکنیک بهینه سازی کلونی مورچه را به حیطه ی خوشه بندی ECG آورده است. تکنیک خوشه بندی مبتنی بر ACO نیز با استفاده از درون یابی نزدیک ترین همسایه بهبود یافته است. در ابتدای الگوریتم مان، پروسه های فیلترینگ سیگنال، انحراف خط مبنا و استخراج پارامتر را پیاده سازی می کنیم. مرحله بعدی، فاز یادگیری است که متشکل از خوشه بندی مجموعه های QRS مبتنی بر تکنیک بهینه سازی کلونی مورچه است. الگوریتم شبکه عصبی جهت تصدیق و ارزیابی موفقیت الگوریتم جدید ما بطور موازی توسعه می یابد. مرحله نهایی، فاز تست جهت کنترل کارایی و صحت الگوریتم است. روش پیشنهادی با پایگاه داده MIT-BIH جهت طبقه بندی شش نوع بی نظمی مختلف مهم تست می شود که شامل موارد زیر هستند. ریتم سینوسی نرمال، انقباض بطنی زودرس (PVC) و انقباض زودرس دهلیزی (APC)، بلوک انشعاب دسته راست، همجوشی بطنی. نتایج شبیه سازی نشان می دهند که این راهکار جدید دارای بهبودهای صحت و سرعت است.
کلمات کلیدی: ECG، بهینه سازی کلونی مورچه، خوشه بندی، شبکه های عصبی، تشخیص بی نظمی، طبقه بندی کننده k نزدیک ترین همسایه.

 تعداد صفحات مقاله انگلیسی:   8  صفحه

 تعداد صفحات فارسی مقاله ترجمه شده :   21  صفحه

 قالب بندی فایل: فایل ورد (Word)