TY - JOUR T1 - Adaptive Filtering Strategy to Remove Noise from ECG Signals Using Wavelet Transform and Deep Learning TT - به کارگیری فیلتر وفقی برای حذف نویز از سیگنال‌های ECG با استفاده از تبدیل موجک و یادگیری عمیق JF - jhbmi JO - jhbmi VL - 7 IS - 3 UR - http://jhbmi.ir/article-1-468-fa.html Y1 - 2020 SP - 318 EP - 325 KW - ECG Signal KW - Wavelet Transform KW - Deep Learning N2 - مقدمه: الکتروکاردیاگرام یکی از روش‌های اندازه‌گیری فعالیت‌های الکتریکی قلب است که این اندازه‌گیری با قرار دادن الکترودهایی روی سطح بدن اندازه‌گیری می‌شود. پزشکان برای تشخیص و شناسایی بیماری‌های قلبی از ابزار مشاهده استفاده می‌کنند که این کار در سیگنال‌های ECG توسط متخصص قلب و عروق انجام می‌شود. به طور خاص بیماری‌های قلبی با بررسی نمایش گرافیکی سیگنال‌های قلبی که با عنوان ECG معرفی شد، انجام می‌شود. سیگنال‌های ECG به دلیل منابع خارجی یا سایر فرآیند‌های فیزیولوژیکی بدن انسان با نویز همراه می‌باشد. روش: در این پژوهش کاربردی یک فیلتر وفقی بر اساس تبدیل موجک و شبکه عصبی عمیق برای کاهش نویز پیشنهاد شد. این مجموعه ترکیبی از تبدیل ویولت، یادگیری وفقی و نگاشت غیر‌خطی از شبکه‌های عصبی عمیق است. شبکه عصبی عمیق به کمک فیلتر وفقی برای کاهش نویز بیشتر از سیگنال ECG مورد استفاده قرار می‌گیرد. نتایج: معیار مورد نظر برای ارزیابی کیفیت روش پیشنهادی به منظور حذف نویز، نسبت سیگنال به نویز می‌باشد که هدف این پژوهش افزایش این نسبت می‌باشد که بیانگر بازدهی روش مبتنی بر تبدیل موجک و یادگیری عمیق می‌باشد. نتیجه ­گیری: نتایج حاصل از شبیه‌سازی نشان می‌دهد که روش پیشنهادی نسبت به روش‌های موجود حدود 9/56 درصد حذف نویز از سیگنال ECG را بهبود می‌بخشد. علت این امر آن است که ضرایب استخراجی از فیلتر وفقی با استفاده از شبکه عصبی عمیق بهینه می‌شوند به گونه‌ای که شکل موج با نویز کمتری را فراهم می‌آورد. M3 ER -