پایان الگوریتم، ذخیره ویژگی‌های انتخاب شده توسط الگوریتم فاخته، ذخیره پارامترهای انتخاب شده SVM با الگوریتم PSO
۴-۲- پیش‌پردازش سیگنال ECG
شکل ۴-۱ : فلوچارت الگوریتم پیشنهادی طبقه بندی سیگنال ECG در این پژوهش را نشان می‌دهد که در آن از الگوریتم فاخته برای انتخاب ویژگی و از الگوریتم PSO برای تنظیم پارامترهای SVMاستفاده شده است.

۴-۲-۱- شیفت سیگنال به انحراف زمینه^[۲۴]
نویز ناشی از نفس‌کشیدن که‌ درهنگام ثبت سیگنال الکتروکاردیوگرافی ناشی می‌شود.این نویز فرکانس پایین و در حدود ۱۵ هرتز است. این نویز باعث می‌شود خط زمینه سیگنال الکتروکاردیوگرافی تغییر کند و در نتیجه‌،استخراج مشخصه‌ ها و ویژگی‌های زمانی سیگنال با مشکل مواجه شود.‌ موجک سطح ۸ سیگنال ECG دارای بیشترین دامنه نسبت به سطوح موجک قبلی بوده و با حذف این سطح اگر سیگنال ECG در بعضی ضربان‌ها دارای اختلاف قابل ملاحظه نسبت به خط زمینه باشد، اصلاح شده (شکل ۴-۲ و شکل ۴-۴) و سیگنال یکدست و منظم حاصل می‌شود.
شکل ۴-۲ : شامل ۵۰ ضربان قلب که نویز انحراف زمینه حذف شده است.
۴-۲-۲- حذف مقدار متوسط سیگنال
بدین منظور میانگین کل سیگنال را از مقدار لحظه‌ای سیگنال کم می‌کنیم (شکل ۴-۴).
حذف مقدار متوسط= میانگین سیگنال - مقدار لحظه ای سیگنال
۴-۲-۳- حذف نویز ناشی از برق شهر
سیگنال ECG در این مرحله دارای نویز ناشی از برق شهر است. با اعمال یک فیلتر میان‌نگذر که سیگنال‌های محدوده ۶۰HZ را عبورنمی‌دهد، می‌توان نویز ناشی از برق شهر که دارای فرکانس بیشتری نسبت به سیگنال اصلی است را فیلتر کرد (شکل ۴-۴). بدین منظور از Notch فیلتر استفاده شده است (شکل ۴-۳)]۳۴[.
شکل ۴-۳:حذف فرکانس ۶۰ هرتز توسط Notchفیلتر
۴-۲-۴- هموارسازی سیگنال^[۲۵]
سیگنال بدست آمده در این مرحله همچنان در برخی نقاط دارای تغییرات شدیدی است که جهت هموارسازی آن از تابع هموارساز آماده در متلب استفاده می‌شود (شکل ۴-۴). پس از هموارسازی سیگنال بدست آمده می‌توان استخراج ویژگی انجام داد.
۴-۲-۵- پنجره‌گذاری سیگنال
با بهره گرفتن از اطلاعات استخراج شده از نرم افزار WFBD نظیر لحظه وقوع موج Rو همچنین نوع بیماری شناسایی شده برای هر ضربان توسط پزشک، پنجره‌گذاری را انجام می‌دهیم. بدین منظور ۱۰۰ نمونه قبل و ۲۰۰ نمونه بعد از لحظه وقوع موج R از سیگنال هموار شده، به عنوان یک ضربان کامل در نظر گرفته می‌شود (شکل ۴-۵) و با توجه به این‌که تشخیص پزشک در مورد این ضربان چه بوده است در دسته مربوط به بیماری خود قرار می‌گیرد.
۴-۲-۶- آزمون همبستگی و حذف ضربان‌های نا‌همبسته
پس از پنجره‌گذاری و رسم ضربان‌ها (شکل ۴-۶) مشاهده شد که بعضی از ضربان‌ها دارای نوساناتی هستند که می‌تواند ناشی از برخی از انواع اعوجاج‌های معمول در سیگنالECG از قبیل انقباض عضلانی^[۲۶]، اتصال الکترود^[۲۷]، حرکت الکترود^[۲۸] ، جابجایی بیمار^[۲۹] و غیره باشد. این ضربان­ها در واقع داده‌های پرت هستند و استفاده از آن‌ها در ادامه کار باعث کاهش صحت طبقه­بند خواهد شد. بدین منظور با بهره گرفتن از آزمون همبستگی به شناسایی و حذف این ضربان‌ها پرداختیم. همبستگی هر یک از ضربان‌ها نسبت به میانگین ضربان‌ها را محاسبه نمودیم و آن را همبستگی هر ضربان^[۳۰] نامیدیم، سپس همبستگی هر ضربانی که از میانگین همبستگی کل ضربان‌ها کمتر بود حذف شد. شکل ۴-۶ ضربان‌های باقی مانده پس از اعمال آزمون همبستگی را نشان می‌دهد.
ضربان‌های باقی مانده را با توجه به نوع بیماری (۵ نوع بیماری ونرمال) در کلاس مربوط به خود قرار می‌دهیم. در نتیجه ۶ کلاس تولید می‌شود که در آن‌ها ضربان‌های منتخب مربوط به هر بیماری قرار دارد.
۴-۲-۷- انتخاب داده‌های آموزش و آزمون^[۳۱]
در آخرین مرحله از پیش‌پردازش سیگنال،۱۰۶۰ ضربان از هر یک از کلاس‌های ششگانه به صورت کاملاً تصادفی انتخاب می‌شوند که تعداد ۷۵۰ ضربان به عنوان داده آموزش و ۳۱۰ ضربان به عنوان داده آزمون در نظر گرفته شده و در دسته‌بندی مجزا ذخیره می شود)سیگنال بیماری Aباتوجه به کم بودن داده‌ در پایگاه داده ۲۲۴ ضربان به عنوان داده آموزش و ۹۷ ضربان به عنوان آزمون در نظرگرفته شده است(.
شکل ۴-۴:الف: سیگنال ۱۰۰ECG نشان داده شده ب:سیگنال ECGپس از حذف مقدارDC ج:سیگنال ECGپس از حذف نویز انحراف زمینه د:سیگنال ECGپس از حذف برق شهر
ه:سیگنال ECG پس از هموارسازی را نشان می‌دهد.
شکل ۴-۵:یک ضربان از سیگنال ۱۰۰ECG