Xid جزء موقعیت ذره i ام در بعد DTH است.
c1 عامل یادگیری شناختی است.
c2 عامل یادگیری اجتماعی است.
Pid جزء موقعیت از pbest ذره i ام در بعد dth میباشد.
Pgd جزء موقعیت از در بعد dth gbest است.
Rand یک عدد تصادفی بین [۰, ۱].
۳-۱۱-۱- وزن اینرسی
از زمانی که PSO ابداع شد، بسیاری از الگوریتمهای مشتق شده توسعه یافته اند. در معادله زیر، پیشرفت ذرات توسط عوامل یادگیری شناختی و اجتماعی متعلق به توانایی جستجوی محلی هدایت شدند. معادله زیر، پیشرفت سرعت در طول مسیر از ذرات به خودی خود است و متعلق به توانایی جستجوی جهانی است.
(۳-۲۸)
بنابراین، ]۳۳[ مفهوم مقدار وزن اینرسیایی پیشنهاد کردند و افزودند: مقدار وزن اینرسیایی (W) به الگوریتم PSO اصلی، معادله بالا، به تعادل توانایی جستجو جهانی و توانایی جستجوی محلی، همانطور که در معادله زیر نشان داده شده است و در نتیجه افزایش توانایی برای قرار دادن راه حل بهینه و نرخ همگرایی.
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))
(۳-۲۹)
فلوچارت الگوریتم PSO به صورت شکل ۳-۱۲ نشان داده شده است.
تولید تصادفی مکان و سرعت جمعیت اولیه
تعیین pbest و gbest در جمعیت اولیه
به روز کردن سرعت و مکان
ارزیابی شایستگی هر یک از ذرات با معیار تابع
بروزرسانی pbest و gbest
خیر
آیا معیار توقف برقرار شده است؟
بله
مقدار بهینه برای پارامترها
شکل ۳-۱۲: فلوچارت الگوریتم PSO ]32[.
۳-۱۲- شمای کلی سیستم طبقهبندی سیگنال ECG
الگوریتم کلی طبقهبندی سیگنال ECG به صورت زیر است. که انتخاب ویژگی به وسیله الگوریتم فاخته و تنظیم پارامترهای SVMتوسط PSO انجام شده است.
ورود داده ECG
پیش پردازش
استخراج ویژگی
انتخاب ویژگی
طبقه بند ماشین بردار پشتیبان
R
V
N
A
L
P
شکل ۳-۱۳: فلوچارت سیستم کلی طبقه بندی سیگنال قلب
فصل چهارم
روش پیشنهادی طبقهبندی سیگنال ECG
۴-۱- مقدمه
در این فصل به تشریح مراحل مختلف اجرای روش پیشنهادی میپردازیم و همچنین تاثیر تغییر پارامترهای موثر در اجرای این روش،بررسی خواهد شد. پیادهسازی این روش در محیط نرم افزار متلب انجام شده است که در آن ابتدا به توضیح مراحل پیش پردازش سیگنال،سپس مراحل مربوط به استخراج و انتخاب ویژگیها و در نهایت طبقهبندی دادهها،برای طبقهبندی سیگنال نرمال و ۵ اریتمی میپردازیم. ترتیب اجرای الگوریتمها و تکنیکهای بکار رفته در روش پیشنهادی این تحقیق در شکل(۴-۱) نشان داده شده است.
سیگنالهای ECG مربوط به بیماران مختلف از پایگاه داده استاندارد MIT-BIH تهیه شدهاند. این پایگاه داده دارای ۴۸ سیگنال ECG دوکاناله است که از ۴۷ مورد مطالعاتی در لابراتوار آریتمی BIH بین سالهای ۱۹۷۵ تا ۱۹۷۹ بدست آمده است. سیگنالها با فرکانس ۳۶۰ نمونه بر ثانیه و با دقت ۱۲ بیت در محدوده ۱۰ میلی ولت ذخیره شدهاند. سیگنال۲۰ بیمار به شماره های ۱۰۰، ۱۰۲، ۱۰۴، ۱۰۵، ۱۰۶، ۱۰۷، ۱۱۸، ۱۱۹، ۲۰۰، ۲۰۱، ۲۰۲، ۲۰۳، ۲۰۵، ۲۰۸، ۲۰۹، ۲۱۲، ۲۱۳، ۲۱۴، ۲۱۵ و ۲۱۷ مطابق با [۳] به عنوان داده ورودی انتخاب شدند. با بهره گرفتن از نرم افزار WFBD این دادهها به دادههایی جهت ورود به نرم افزار تبدیل می شوند که علاوه بر خود سیگنال ECG ، دادههای با ارزشی مثل نقاط R مربوط به هر ضربان زمان وقوع موج R و نوع بیماری هر ضربان در اختیار ما قرار میگیرد.
ورود داده ECG
پیش پردازش
استخراج ویژگی
عملگر mRMR
انتخاب ویژگی مناسب توسط الگوریتم فاخته
تنظیم پارامترهای SVM توسط الگوریتم PSO
طبقهبندی با SVM
آیا معیار توقف PSO برقرار شده است؟
خیر
بله
آیا معیار توقف فاخته برقرار شده است؟
خیر
بله