应用关联式派翠网路于检测心律不整心电图之研究.PDFVIP

應用關聯式派翠網路於檢測心律不整心電圖之 研究 Detection of ECG Arrhythmia by using a generalized Associative Petri Net 1 1 姜琇森 Hsiu-Sen Chiang 林政汶 Jeng-Wen Lin 1 大葉大學資訊管理研究所 1Department of Information Management, Da-Yeh University 摘要： 心電圖(Electrocardiogram,簡稱 ECG)是診斷心臟疾病最主要的工具之一。本研究首次應用關聯式派 翠網路(Associative Petri Net)去透過個人心電圖的識別，判斷心率不整情況，並推論可能罹患的心臟病徵。 本研究透過一般病患之異常心電圖資料訓練並建立一個關聯式派翠網路的心電圖推論模型。此方法 包括了四個階段：心電圖濾波和採樣、特徵擷取、函數轉換的建立以及分類。本研究採用 MIT-BIH 心電 圖資料庫來評估所提出的關聯式派翠網路心電圖推論模型，結果顯示關聯式派翠網路模型除能有效辦別 正常與異常的心電圖特徵，也可以辨別多類別的心電圖異常病徵，且正確率介於 84.6% 到 97.8%之間。 本研究亦與先前相關的研究結果做比較，結果指出我們提出的關聯式派翠網路模型能有效診斷出異常的 心電圖特徵，並推論出可能的心臟病徵。因此關聯式派翠網路推論模型可輔助心電圖檢測系統。 關鍵詞：心電圖、關聯式派翠網路、關聯規則、推論 Abstract: Classification arrhythmic episode detection by using associative Petri net (APN) for personalized ECG arrhythmias pattern identification is proposed for the first time in the literature.. The proposed methodology creates a reasoning model from an initial ECG arrhythmias pattern. The approach consists of four stages: ECG filtering and sampling, feature extraction, transfer function building and classification. The MIT-BIH Arrhythmia Database is used for ECG Arrhythmia classification. Our APN reasoning model can discriminate different beat types and have accuracy rate from 84.6% to 97.8%. Our approach compares well with reported results using the same dataset and indicates that it could be part of a system for the detection of ECG heartbeat episodes in long duration ECGs. ECG Arrhythmia, Associative Petri Net, Association rule, Reasoning