view in publisher's site

Detection of electrocardiographic changes in partial epileptic patients using local binary pattern based composite feature

In this paper, we propose a novel method for detecting electrocardiographic (ECG) changes in partial epileptic patients using a composite feature set. At the core of our approach is a local binary pattern (LBP) based feature representation containing a set of statistical features derived from the distribution of LBPs of the ECG signal. In order to enhance the discriminating power, a set of statistical features are also extracted from the original ECG signal. The composite feature is then generated by combining the two homogeneous feature sets. The discriminating ability of the proposed composite feature is investigated using two different classifiers namely, support vector machine and a bagged ensemble of decision trees. Results from the experimental evaluation on the publicly available MIT-BIH ECG dataset demonstrate the superiority of the proposed features over conventional histogram based LBP features. Our results also show that the proposed approach provides better classification accuracy than methods existing in the literature for classification of normal and partial epileptic beats in ECG.

تعیین تغییرات الکتروکاردیوگرام در بیماران مبتلا به صرع پارشیل با استفاده از ویژگی ترکیبی الگوی باینری محلی

در این مقاله، ما یک روش جدید برای آشکارسازی تغییرات الکتروکاردیوگرام در بیماران مبتلا به صرع جزیی با استفاده از مجموعه ویژگی ترکیبی پیشنهاد می‌کنیم. در هسته این رویکرد، نمایش ویژگی‌های مبتنی بر الگوی باینری محلی (LBP)است که مجموعه‌ای از ویژگی‌های آماری ناشی از توزیع of سیگنال ECG را نشان می‌دهد. به منظور افزایش قدرت تمایز، مجموعه‌ای از ویژگی‌های آماری نیز از سیگنال ECG اصلی استخراج می‌شوند. سپس ویژگی مرکب با ترکیب دو مجموعه ویژگی‌های همگن تولید می‌شود. توانایی جداسازی ویژگی مرکب پیشنهادی با استفاده از دو دسته طبقه‌بندی کننده، یعنی ماشین بردار پشتیبان و یک مجموعه ترکیبی از درخت‌های تصمیم‌گیری مورد بررسی قرار می‌گیرد. نتایج حاصل از ارزیابی آزمایشی روی مجموعه داده ECG - MIT عمومی در دسترس، برتری ویژگی‌های پیشنهادی را بر روی ویژگی‌های LBP مبتنی بر هیستوگرام مرسوم نشان می‌دهد. نتایج ما همچنین نشان می‌دهد که روش پیشنهادی دقت طبقه‌بندی بهتری نسبت به روش‌های موجود در ادبیات برای طبقه‌بندی حملات صرع معمولی و جزیی در ECG ارایه می‌دهد.

ترجمه شده با

Download PDF سفارش ترجمه این مقاله این مقاله را خودتان با کمک ترجمه کنید
سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.