1
حذف نویز از سیگنال ECG.
2
سیگنال تابعی از یک یا چند متغیر مستقل است که اطلاعاتی را در مورد یک پدیده فیزیکی یا بیولوژیکی در بردارد. سیگنال های حیاتی برای تشخیص پزشکی و تحقیقات
زیست- پزشکی مورد استفاده قرار می گیرند.
تعریف سیگنال
3
سیگنال ECG :
الکترودیاگرام یا ECG نموداری از فعالیت الکتریکی ماهیچه های قلب ضبط شده از
روی سطح بدن است.
ECG.
4
منظور از پردازش سیگنال های حیاتی جدا کردن سیگنال مورد نظر از سیگنال های در هم آمیخته و نویز دار و سپس استخراج پارامترهای مفید سیگنال است.
تعریف سیگنال
5
پردازش سیگنال های بیولوژیکی در 4 مرحله انجام می شود :
1.اندازه گیری یا ثبت سیگنال
2.تبدیل سیگنال
3.محاسبه پارامترهای سیگنال
4.تفسیر یا طبقه بندی سیگنال ها
شکل1-1. مراحل پردازش سیگنال
تعریف سیگنال
6
هنگام ثبت و انتقال همه سیگنال های حیاتی اغتشاش یا نویز وارد می شود. به عنوان مثال در ثبت ECG حین فعالیت بدنی اغتشاشات کم فرکانس خط مبنا از یک طرف و سیگنال های الکترومایوگرام فرکانس بالا ناشی از فعالیت ماهیچه ها از سوی دیگر بر سیگنال اثر
می کنند.
تعریف سیگنال
7
ECG و نویزها :
سیگنال های بیومدیکال مثل الکترودیاگرام معمولا با نویزهایی از قبیل تداخل خط انتقال توان و اختلالات ناشی از حرکت الکترودهای ضبط آلوده می شوند. علاوه بر این، سیگنال های بیومدیکال معمولا برهم اثر می گذارند مثلا سیگنال های ناشی از انقباض عضلات بر ECG تاثیر می گذارند.
ECG.
8
شبکه های عصبی:
این موضوع با ایده گرفتن از سیستم عصبی بدن انسان و با هدف شبیه سازی هرچه بیشتر کامپیوتر به انسان شکل گرفت. از جمله کاربردهای این بحث می توان از شناسایی الگوها، پردازش تصویر، هوش مصنوعی، کنترل رباتها و موارد بسیار دیگر نام برد.
شبکه عصبی
9
شبکه های عصبی مصنوعی:
یک شبکه عصبی مصنوعی (ANN) ایده ای است برای پردازش اطلاعات که از سیستم عصبی زیستی الهام گرفته شده و مانند مغز به پردازش اطلاعات می پردازد.
ANN ها،نظیر انسانها،با مثال یاد میگیرند. یک ANN برای انجام وظیفه های مشخص،مانند شناسایی الگو هاودسته بندی اطلاعات،در طول یک پروسه یادگیری، تنظیم می شود .
شبکه عصبی
10
کاربردشبکه عصبی:
برای استخراج الگوها و شناسایی روشهایی که آگاهی از آنها برای انسان و دیگر تکنیک های کامپیوتری بسیار پیچیده و دشوار است به کار گرفته شود. یک شبکه عصبی تربیت یافته می تواند به عنوان یک متخصص در مقوله اطلاعاتی که برای تجزیه تحلیل به
آن داده شده به حساب آید.
شبکه عصبی
11
آموزش شبکه های عصبی:
شبکه های عصبی می توانند براساس طراحی خود سیگنال های ورودی را پردازش کنند وبه سیگنال های خروجی مورد نظر تبدیل نمایند.به طورمعمول، پس از آنکه یک شبکه عصبی طراحی و پیاده سازی شد، باید پارامترهای شبکه عصبی به گونه ای تنظیم شوند که برای مجموعه هایی از سیگنال های ورودی، سیگنال های خروجی مطلوب را تولیدکنند. چنین فرآیندی را آموزش دیدن شبکه عصبی می نامند.
شبکه عصبی
12
شبکه عصبی
در این شبکه ها به کمک دانش برنامه نویسی، ساختار داده ای طراحی می شود که می تواند همانند نورون عمل کند؛ که به این ساختارداده نورون گفته می شود.
باایجاد شبکه ای بین این نورونها و اعمال یک الگوریتم آموزشی به آن، شبکه را آموزش می دهند.
13
شبکه عصبی
در این حافظه یا شبکه عصبی نورونها دارای دو حالت فعال (روشن یا ۱) و غیرفعال (خاموش یا ۰) اند و هر یال (سیناپس یا ارتباط بین گره ها) دارای یک وزن می باشد. یال های با وزن مثبت، موجب تحریک یا فعال کردن گره غیرفعال بعدی می شوند و یال های با وزن منفی، گره متصل بعدی را غیرفعال یا مهار (در صورتی که فعال بوده باشد) می کنند.
14
شبکه عصبی
نورون مصنوعی
یک نورون مصنوعی سامانه ای است با تعداد زیادی ورودی و تنها یک خروجی. نورون دارای دو حالت می باشد، حالت آموزش و حالت عملکرد. در حالت آموزش نورون یادمی گیرد که در مقابل الگوهای ورودی خاص برانگیخته شود یا در اصطلاح آتش کند. در حالت عملکرد وقتی یک الگوی ورودی شناسایی شده وارد شود، خروجی متناظر با آن ارائه می شود. اگر ورودی جزء ورودی های از پیش شناسایی شده نباشد، قوانین آتش برای بر انگیختگی یا عدم آن تصمیم گیری می کند.
15
در نخستین مرحله آموزش، پارامتر های شبکه عصبی به طور تصادفی انتخاب می شوند. زیرا تا این پارامترها مقدار نداشته باشند ، شبکه عصبی قابل استفاده نخواهد بود ، در حین آموزش دیدن شبکه عصبی مقدار پارامتر ها به مقدار حقیقی و نهایی خود نزدیکتر می شوند.
شبکه عصبی
16
ساختار پایه ی ANN:
یک شبکه ی هوشمند شامل مجموعه ای از نورون ها (یا به شکل ساده ترگره ها) است که به یک شکل خاص به هم متصل شده اند. هر گره حاصل مجموع وزن های سیگنال های رسیده به آن را مجتمع میکند و یک وزن خروجی را به دیگر گره ها می برد.
شبکه عصبی مصنوعی
17
گره های ANN می توانند به روش های مختلفی براساس معماری انتخاب شده، به هم متصل شوند.
در شبکه های عصبی سه نوع لایه نورونی وجود دارد:
لایه ورودی: دریافت اطلاعات خامی که به شبکه تغذیه شده است.
لایه های پنهان: عملکرد این لایه ها به وسیله ورودی ها و وزن ارتباط بین آنها و لایه های پنهان تعیین می شود. وزن های بین واحدهای ورودی و پنهان تعیین می کند که چه وقت یک واحد پنهان باید فعال شود.
لایه خروجی: عملکرد واحد خروجی بسته به فعالیت واحد پنهان و وزن ارتباط بین واحد پنهان و خروجی می باشد.
شبکه عصبی مصنوعی
18
اتصال و جهت بین لایه های مختلف، نوع شبکه را مشخص می کند و در نتیجه به روش آموزش مناسب خود را نیاز دارد.
شبکه عصبی مصنوعی
معماری ANN انتخاب شده (الف) شبکه ی MLF (ب) شبکه ی RBF (ج) شبکه ی Elman
19
طراحی ANN:
استخراج ویژگی های شبکه، پیدا کردن یک ساختار مناسب و فراهم کردن فرآیند آموزشی که بتوانند بهترین پاسخ ها را برای ما به دست آورند، مهم ترین مراحل طراحی ANN هستند که در ذیل به شکل مختصر به آن ها خواهیم پرداخت.
شبکه عصبی مصنوعی
20
الف) استخراج ویژگی ها:
هدف از این قدم پیدا کردن متغیرهای مرتبط است که بتوانند ورودی های انتخاب شده را به شبکه معرفی نمایند.این متغیرها باید بتوانند همگرایی لازم از طریق آموزش را فراهم نمایند.
ورودی های زاید به فرآیند بهینه سازی ANN، ناپایداری و پاسخ ضعیف را تحمیل
مینماید.
خروجیها براساس وظیفه ی مورد نیاز و تصمیم گرفته شده انتخاب میشوند.
شبکه عصبی مصنوعی
21
ب) ساختار پایه ای ANN:
ساختار ابتداییANN موردنظر بایک مجموعه ی ازورودی هاوخروجی های از پیش تعریف شده پیاده می شود. ویژگی های هرنوع از ANNوماهیّت مسئله ی موجود ممکن است به ایجاد نوع شبکهی بهینه کمک نماید.
بحرانی ترین مسئله درساخت ANN، انتخاب تعداد نورونهای پنهان است
شبکه عصبی مصنوعی
22
ج) فراهم آوردن داده و فرآیند آموزش:
دراین مرحله تعداد کافی ازموردهای آموزشی جمع آوری شوند تا تمامی محدوده ابعاد فضا را برای وظیفه ی مورد نظر پوشش دهند.
شبکه عصبی مصنوعی
23
د) امتحان کردن ANN آموزش دیده:
قدم نهایی در فرآیند طراحی، ارزیابی نتایج شبکه ها به وسیله ی یک مجموعه از موارد آزمونی است. این موردها باید با آن هایی که درمرحله ی آموزش استفاده شده اند، متفاوت باشند. همچنین موارد آزمونی باید همه ی پدیده هایی راکه ممکن است،عملکرد سیستم را درتمامی محدوده ابعاد فضا،تحت تاثیر قراردهند، پوشش بدهند.
شبکه عصبی مصنوعی
24
تبدیل موجک می تواند به مکان های مختلف در سیگنال حرکت کند و می تواند فشرده یا باز شود و اطلاعاتی از سیگنال را در اختیارقرار دهد.
تبدیل موجک
25
مقدار تبدیل در مکان های متفاوت از سیگنال و در مقیاس های مختلف از موجک
محاسبه می شود تا صفحه ی تبدیل کامل شود.
رسم تبدیل موجک تصویری از همبستگی بین موجک و سیگنال در مکان ها و مقیاس های مختلف خواهد داد.
تبدیل موجک
26
موجک تابعی است که آن را
اما یک تابع باید دارای شرایطی باشد تا به عنوان تابع موجک انتخاب شود.
این شرایط را می توان در موارد زیر خلاصه کرد:
نامگذاری می کنیم.
تبدیل موجک
27
یک موجک باید دارای انرژی محدود باشد.
که E مبیّن انرژی تابع است و برابر انتگرال مربع اندازه ی تابع می باشد.
تبدیل موجک
28
موجک هیچ جزء فرکانسی صفری ندارد و
به بیان دیگر
باید متوسط صفر داشته باشد.
تبدیل موجک
29
شرط دیگری که برای موجک های مختلط وجود دارد آن است که تبدیل فوریه باید هم حقیقی باشد و هم در فرکانس های منفی از میان برود.
تابع موجک حاصل باید انعطافپذیر باشد،می تواند گسترده وفشرده شودیا جابه جایی داشته باشد.
تبدیل موجک
30
در تبدیل موجک گسسته سیگنال ورودی در هر مرحله با عبور از دو فیلتر بالاگذر و پایینگذر به دو قسمت تقسیم می شود. خروجی فیلتر بالاگذر که حاوی قسمت فرکانس بالای سیگنال است را قسمت جزئیّات و خروجی فیلتر پایینگذر که حاوی محتویات فرکانس پایین سیگنال است را تقریب سیگنال می نامند.
درخت تجزیه ی تبدیل موجک گسسته دوتایی
تبدیل موجک
31
نویززدایی:
فرآیند نویززدایی شامل گام های زیر می باشد:
اعمال تبدیل موجک به سیگنال مورد نظر و تجزیه ی آن در سطوح دلخواه.
انتخاب یک سطح آستانه ی مناسب برای هر سطح تجزیه و همچنین تعیین نوع آستانه (نرم و سخت) به منظور جداسازی موج گذرا.
معکوسگیری از ضرایب سیگنال های باقیمانده به منظور رسیدن موج مورد نظر .
نویز زدایی
32
نویززدایی به کمک شبکههای عصبی:
برای نویزی کردن سیگنال از نویز سفید گوسی با SNR برابر با dB20 استفاده شد.
نویز زدایی
noise
33
میخواهیم به کمک یک شبکهی عصبی مناسب، نویز اضافه شده را تاحدّ امکان کاهش دهیم. یکی از انواع شبکه های عصبی، شبکهی عصبی بازگشتیRNNمیباشد. این شبکه به دلیل وجود فیدبکهایی در ساختار لایهی پنهان خود، در پیادهسازی سیستمهای غیرخطّی بسیار خوب عمل کرده و به سرعت آموزش داده میشود.
نویز زدایی
34
شبکه عصبیRNN
RNNها می توانند از حافظه داخلی خود برای پردازش توالی های دلخواه ورودی استفاده کنند.
خاصیت اصلی RNN ها این است که رفتار آن ها هم به وسیله خودشان و هم به وسیله ورودی های خارجی بئ شبکه تععن می گردد .
35
میخواهیم به کمک یک شبکهی عصبی مناسب، نویز اضافه شده را تاحدّ امکان کاهش دهیم. یکی از انواع شبکه های عصبی، شبکهی عصبی بازگشتیRNNمیباشد. این شبکه به دلیل وجود فیدبکهایی در ساختار لایهی پنهان خود، در پیادهسازی سیستمهای غیرخطّی بسیار خوب عمل کرده و به سرعت آموزش داده میشود.
نویز زدایی
36
نویز زدایی
بهمنظور کاهش نویز در سیگنال نویزدارگامهای زیر اجرا شد:
گام اول: ساخت یک شبکه عصبی با 22 نورون ورودی، 2 نورون خروجی و 5 نورون در لایه مخفی.
گام دوم: سیگنال نویزدار به عنوان ورودی، و سیگنال فیلتر شده به عنوان خروجی شبکه عصبی می باشند.
37
گام سوم: در طی فرآیند آموزش شبکه، المان های بردار ورودی، نمونه های بدست آمده از سیگنال نویزدار می باشند. به طور مشابه المان های بردار خروجی، از نمونه های سیگنال مرجع بدست می آیند.
گام چهارم: شبکه عصبی بازگشتی را آموزش می دهیم، وزن ها و بایاس ها را ذخیره می کنیم.
گام پنجم: اکنون فیلتر ساخته شده با شبکه عصبی بازگشتی آماده فیلتر کردن سیگنال نویزدار اصلی می باشد
نویز زدایی
38
نویز زدایی
39
نویز زدایی
در نهایت، نتیجهی خروجی نویززدایی به کمک شبکهی عصبی RNN با ساختار توصیف شده در بالا به صورت نمایش داده شده در شکل زیر میباشد.
40
معایب شبکه عصبی
شبکه های عصبی معایبی نیز دارند از جمله:
قواعد یا دستورات مشخصی برای طراحی شبکه جهت یک کاربرد اختیاری وجود ندارد.
در مورد مسائل مدل سازی، صرفاً نمی توان با استفاده از شبکه عصبی به فیزیک مسئله پی برد. به عبارت دیگر مرتبط ساختن پارامترها یا ساختار شبکه به پارامترهای فرایند معمولاً غیرممکن است.
دقت نتایج بستگی زیادی به اندازه مجموعه آموزش دارد.
آموزش شبکه ممکن است مشکل ویا حتی غیرممکن باشد.
پیش بینی عملکرد آینده شبکه (عمومیت یافتن) آن به سادگی امکان پذیر نیست.
41
نویز زدایی
نویززدایی به کمک تبدیل موجک:
به کمک تبدیل موجک مناسب مطابق روند انجام شده در قسمت قبل برای شبکههای عصبی، نویز سوار شده بر یک موج سینوسی را میزداییم. برای این منظور به موج سینوسی ساختهشدهای، یک نویز سفید گوسی اضافه شد.
42
نویز زدایی
به کمک انواع موجکهای مادر در سطوح مختلف، نویز سیگنال ایجاد شده را کاهش دادیم و در یکی از حالتهای مناسب نتیجه را ثبت کردیم. در شکل نتیجهی نویززدایی به کمک تبدیل موجک dB4 در 3 سطح در شکل زیرنمایش داده شده است.
43
نویززدایی به کمک تبدیل موجک:
همانطور که در بخشهای گذشته مطرح شد، یکی از کاربردهای مهمّ تبدیل موجک، حذف نویز از سیگنالهای نویزی میباشد. برای شناخت بهتر، در این بخش به دنبال آن هستیم که به کمک تبدیل موجک مناسبی مطابق روند انجام شده در قسمت قبل برای شبکههای عصبی، نویز سوار شده بر یک موج سینوسی را بزداییم. برای این منظور به موج سینوسی ساختهشدهای، یک نویز سفید گوسی اضافه شد. تصویر زیر تصویری از موج سینوسی نویزدار شده را نمایش میدهد.
نویز زدایی
44
نویز زدایی
45
46
نویز زدایی
به کمک انواع موجکهای مادر در سطوح مختلف، نویز سیگنال ایجاد شده را کاهش دادیم و در یکی از حالتهای مناسب نتیجه را ثبت کردیم.
حذف نویز از سیگنال نویزی به کمک موجک
شبکه عصبی موجک:
در این پروژه در نهایت به دنبال حذف نویز از سیگنال ECG بودیم. برای این منظور سیگنال نمونهای را از وبسایت http://www.physionet.org/physiobank/database/nstdb دانلود نموده و به عنوان سیگنال آزمایشی انتخاب کردیم. با توجّه به تغییرات خاص در سیگنال ECG نویزی، تبدیل موجک و شبکههای عصبی معمولی به تنهایی قادر به حذف نویز سیگنال نیستند. به همین منظور و با توجّه به ویژگیهای خاصّ شبکههای عصبی موجک که مطرح شد، در اینجا به سراغ این نوع از شبکههای عصبی خواهیم رفت. در وب سایت
http://www.physionet.org/physiobank/database/nstdb هم سیگنال بدون نویز و هم سیگنال نویزی برای دانلود قرار داده شده است. شکل7-4 سیگنال بدون نویز و نویزی شدهی ECG را نمایش میدهد.
نویز زدایی
47
نویز زدایی
به دنبال آن هستیم که با استفاده از شبکههای عصبی موجک، از سیگنال نویزی تا حدّ امکان به سیگنال بدون نویز نزدیک شویم.
سیگنال نویزی ECG (بالا) و سیگنال بدون نویز (پایین)
48
نویز زدایی
برای این منظور پس از آزمایش و خطای بسیار بهترین نتیجه از شبکه عصبی با موجک مادر dB4 و پس از آموزش شبکهی عصبی موجک، به نتایج شکل زیر دست یافتیم.
سیگنال نویزی ECG (بالا)، سیگنال بدون نویز (وسط) و سیگنال فیلتر شده (پایین).
49
نویز زدایی
همانطور که در شکل قبل ملاحظه میشود، نتیجه به دست آمده با شبکه عصبی بسیار به سیگنال بدون نویز نزدیک است و بخشی زیادی از نویز سوار شده بر سیگنال حذف شده است.
50
منابع
An Introductory Exposition:Features, Analysis Structures, and Selected Applications.
[1] Hyun Dong Kim, Chul Hong Min, Tae Seon Kim, “Adaptable Noise Reduction of ECG
singals for Feature Extraction,” J. Wang et al. (Eds.): ISNN 2006, LNCS 3973, pp.586-591,
2006.
[2] Shin’ichi Tamura, Masami Nakamura, “Improvements to The Noise Reduction Neural
Network,” Acoustics, Speech, and Signal Processing, ICASSP-90., S15b.5, 1990.
[3] Qinghua Zhang, Albert Benveniste, “Wavelet Networks, IEEE Trans. Neural Network
Vol. 3, No. 6, p.889-898, 1992.
[4] Electric Textbook StateSoft, “Activation Function”
http://www.statsoft.com/textbook/glosa.html, March 2007.
[5] Wikipedia, “Back Propagation,” http://en.wikipedia.org/wiki/Back_propagation,
March 2007.
[6] Kumpati S. Narendra & Kannan Parthasarathy, “Identification and Control of
Dynamical Systems Using Neural Networks,” IEEE Transaction on Neural Networks Vol. 1
No. 1, March 1990
[7] James A. Freeman & David M. Skapura, “Neural Networks: Algorithms, Application,
and Programming Techniques,” Addison-Wesley Publishing Company, 1991.
51
[8] Stuart Russell & Peter Norvig, “Artificial Intelligence A Modern Approach 2nd Ed.,”
Prentice Hall 2003.
[9] Simon Haykin, “Neural Networks: A Comprehensive Foundation 2nd Ed.,” Prentice
Hall 1999.
[10] James Kennedy and Russell C. Eberhart, “particle Swarm Optimization,” Proc. IEEE
Int. Conf. Neural Networks IV p.1942-1948, 1995.
[11] J. C. Lazaro, J.L. San Emeterio, A. Ramos and J. L. Fernandez-Marron, “Influece of
Thresholding Procedures In Ultrasonic Gain Noise Reduction Using Wavelets,”
http://www.sciencedirect.com/science?_ob=ArticleURL&_udi=B6TW2-4534HN0-
T&_user=521828&_rdoc=1&_fmt=&_orig=search&_sort=d&view=c&_acct=C000059579
&_version=1&_urlVersion=0&_userid=521828&md5=fd336405d008c70bf988816e4c5e7e31#toc2, March 2008.
منابع
52
[17] Ahmad Banakar, “A New Artificial Neural Network and its Application in Wavelet
Neural Network and Wavelet Neuro-Fuzzy Case Study: Time Series Prediction,” 3rd Inter.
IEEE Conf. Intelligent System, p.621-625, 2006.
[18] Chien-Ho Ko, “A Tutorial of Adaptive Fuzzy Inference Systems: fuzzy Logic and
Neural Network Based Approaches,”
http://163.23.28.177/~chko/Web_Personal/Tutorial_AFIS/Article/Text.htm, October
2008.
[12] Wikipedia, “Median Absolute Deviation,”
http://en.wikipedia.org/wiki/Median_absolute_deviation, March 2008.
[13] Wikipedia, “Daubechies Wavelet,”
http://en.wikipedia.org/wiki/Daubechies_wavelets, March 2008.
[14] Chen, Yuehui, Yang, Bo, Dong, Jiwen, “Time-series Prediction Using a Local Linear
Wavelet Neural Network,” Neurocomputing 69 p.449-465, 2006.
[15] James A. Freeman & David M. Skapura, “Neural Networks: Algorithms, Application,
and Programming Techniques,” Addison-Wesley Publishing Company, 1991.
[16] Addison, Paul S, “The Illustrated Wavelet Transform Handbook, Introductory Theory
and Application in science, engineering, Medicine and Finance,” Taylor & Francis Group,
2002.
منابع
53
[19] No Arthur, “Neuro-Fuzzy and Hybrid Approaches,” http://www.stowann.
ihe.nl/NFS.htm, October 2008.
[20] Cao Kai, Yoshio Hamamatsu, “An Adaptive Hybrid Wavelet Neural Network and Its
Application,” Inter. Confer. On Robotics and Biomimetics, p.779-783, 2004.
[21] Dale Dubin, “Rapid Interpretation of EKG’s 6th Ed.,” COVER Publishing Company,
2000.
[22] Philip J Podrid, “Cardioversion,”
http://www.uptodate.com/patients/content/topic.do;jsessionid=7E445E401AF7448958
288FEAA6D03239.0503?topicKey=~Ac5NyvklRXhTI&view=print, October 2008.
[23] Gary M. Friesen, Thomas C. Jannett, Manal Afify Jadallah, Stanford L. Yates, Stephen
R. Quint, H. Troy Nagle, “A Comparison of the Noise Sensitivity of Nine QRS Detection
Algorithms,” IEEE Trans. on Biomedical Eng. Vol. 37 No. 1 p.85-98, January 1990.
[24] Shen-Tun Li, Shu-Ching Chen, “Function Approximation using Robust Wavelet
Neural Networks,” 14th IEEE Inter. Confer. on Tools with Artificial Intelligent, p.483-488,
2002.
[25] PhysioBank, “The MIT-BIH Noise Stress Test Database,”
http://www.physionet.org/physiobank/database/nstdb/, October, 2008.
منابع
54
[26] Azzam-ul-Asar, Syed Riaz ul Hassnain, Affan Khan, “Short Term Load Forecasting
Using Particle Swarm Optimization Based ANN Approach,” IEEE Inter. Joint Confer. on
Neural Network, 2007.
[27] Zachary A. Kissel, “Associative Memory and the Board Game Quarto,”
http://www.acm.org/crossroads/xrds10-2/autoassoc.html, February, 2009.
[28] Wikipedia, “Wavelet,” http://en.wikipedia.org/wiki/Wavelet, February 2008.
[29] Qinghua Zhang, “Using Wavelet Network in Nonparametric Estimation”, IRISA, 1994.
[30] PhysioBank, “MIT-BIH Arrhythmia Database,”
http://www.physionet.org/physiobank/database/mitdb/, March, 2009.
[31] Yoshifumi Kishimoto, Yasunari Kutsuna, Koji Oguri, “Detecting Motion Artifact ECG
Noise During sleeping by Means of a Tri-axis Accelerometer” 29th Annual International
Conference of the IEEE EMBS p.2669-2672, August 2007.
[32] Wikipedia, “Electrocardiogram”, http://en.wikipedia.org/wiki/ECG, March 2009.
[33] WFDB Applications Guide, “PhysioToolkit”,
http://www.physionet.org/physiotools/wag/nst-1.htm#sect4, December 2008.
[34] Wikipedia, “Signal-to-noise ratio,” http://en.wikipedia.org/wiki/Signal-tonoise_
ratio, February 2008.
And… .
منابع
55
با تشکر از حسن توجه شما
56