پیش‌بینی سری‌های زمانی سیگنال‌های دینامیکی آشوبناک با استفاده از روش‌های یادگیری ماشین برای تغییرپذیری ضربان قلب

مقالات آماده انتشار

نوع مقاله : علمی-پژوهشی

نویسندگان

1 استادیار دانشکده مهندسی برق و کامپیوتر دانشگاه کاشان

2 گروه آموزش کنترل. دانشکده مهندسی برق و کامپیوتر. دانشگاه کاشان. کاشان. ایران

10.22034/tjee.2026.66884.5011

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

موضوعات

عنوان مقاله [English]

Time-Series Forecasting of Chaotic Dynamic Signals by Machine Learning Methods for Heart Rate Variability

نویسندگان [English]

  • Alireza Faraji 1
  • Masiha Asgharinezhad 2
1 Assistant professor of Electrical and Computer engineering Faculty. University of Kashanu. Kashan. Iran
2 Control Engineering Group, Department of Electrical and computer Engineering, University of Kashan, Kashan, Iran
چکیده [English]

Heart rate variability (HRV), obtained from RR intervals in ECG signals, reflects the activity of the autonomic nervous system, which is challenging to forecast due to its nonlinear and chaotic nature. In this paper, labeled ECG signals were first obtained from the Physionet database. Then, fourth-order Butterworth bandpass filter and phase space reconstruction with a sliding window approach were applied to these chaotic signals and trained with four machine learning methods. Since LSTM and CNN showed better performance than other methods due to their temporal and frequency capabilities, respectively, a combined LSTM+CNN method was proposed, which improved the RMSE and R² evaluation criteria and was shown to have the following capabilities: robustness against white and pink noise, the ability to distinguish unlabeled arrhythmia patient signals from healthy signals, and the ability to forecast both healthy and unhealthy HRV signals.

کلیدواژه‌ها [English]

  • Chaotic dynamic signal
  • Time-Series Forecasting
  • Phase space reconstruction
  • Machine Learning
  • HRV
  • RR Intervals
مجله مهندسی برق دانشگاه تبریز

مقالات آماده انتشار، اصلاح شده برای چاپ
انتشار آنلاین از تاریخ 22 فروردین 1405

فایل ها

هم رسانی

ارجاع به این مقاله

آمار