آکادمی و موسسه علمی پژوهشی ابن سینا

5-1- مقدمه

در این فصل به بررسی نتایج بدست آمده از اجرای روش پیشنهادی و مقایسه آن با روشهای پیشین و در نهایت به جمعبندی و ارائه پیشنهاد، خواهیم پرداخت.

5-2- مقایسه و نتیجه‌گیری

در این پژوهش دستهبندی 5 آریتمی قلبی و سیگنال نرمال انتخاب شده از بانک اطلاعاتی MIT-BIH بررسی شده است. برای هر‌آریتمی‌70 درصد برای آموزش سیستم و 30 درصد باقیمانده برای آزمون سیستم استفاده شده است. همانطور که در فصل قبل نشان داده شد، استفاده از الگوریتم فاخته و mRMR در انتخاب بهینه ویژگی رویکردی مناسب جهت دستیابی به 2 هدف است:
•    افزایش دقت طبقه‌بندی
•    انتخاب تعداد ویژگی کمتر (ویژگی‌های برتر)
انتخاب تعداد ویژگی‌کمتر باعث کاهش محاسبات خواهد شد و این در‌حالی است‌که با انتخاب تعداد ویژگی کمتر، دقت بهتری نسبت به حالتی که تمامی ویژگیها به SVM اعمال می شود، ‌مشاهده شد.
همچنین انتخاب ویژگیهای موجک و ویژگیهای استخراج شده از سیگنال نگاشت شده توسط PCA، نقش مهمی در بهبود دقت طبقهبندی دارد به طوری که از مجموع 6 ویژگی برتر، 1 ویژگی موجک و 2 ویژگی استخراج شده از سیگنال نگاشت شده توسط PCA است.
در مقایسه با پژوهش ]3[ که دارای سیگنال‌های ECG بیماران یکسان با این پژوهش را دارد، مشاهده میشود که اجرای روش پیشنهادی بر روی این دادهها، نتایج مطلوبی را نشان میدهد به طوری که با 750 داده آموزش‌‌ و روش PSO.SVM دقت 93.27% بدست آمده است در حالی که اجرای روش Cuckoo.PSO.SVM با 750 داده آموزش دقت 98.97% را نشان میدهد.

5-4- ارائه پیشنهاد جهت انجام پایان نامه دکتری مهندسی پزشکی و انجام پایان نامه ارشد مهندسی پزشکی آتی

در پایان، با توجه به نتایجی که از تحلیل برروی مجموعه داده جمع‌آوری شده در انجام پایان نامه ارشد حاضر بدست آوردیم، نکاتی را جهت دستیابی به تشخیص بهتر بیماری قلبی پیشنهاد می‌نماییم:

1-    اضافه کردن ویژگی‌های مستقل بیشتر می‌تواند خطای الگوریتم را کاهش دهد.

2-    استفاده از ترکیب طبقه‌بندهای گوناگون می‌تواند نرخ بازشناسی سیگنالECG را بهبود دهد.

3-    استفاده از مشخصه‌های دو بعدی با استفاده از ماتریس هنکل.

در صورت داشتن هرگونه سوال و نیاز به مشاوره در زمینه انجام پایان نامه دکتری مهندسی پزشکی و یا انجام پایان نامه ارشد مهندسی پزشکی با ما در ارتباط باشید.