تشخیص آریتمی از سیگنال های ECG با استفاده از روش های یادگیری عمیق

سالانه تعداد زیادی از مردم به دلیل بیماری های قلبی عروقی جان خود را از دست می دهند و این بزرگترین عامل مرگ و میر در جهان است. ۸۰ درصد موارد قلبی عروقی شامل حملات قلبی و سکته است. این تحقیق تلاشی برای پیش بینی دقیق بیماری های شایع قلبی مانند آریتمی (ARR) و نارسایی احتقانی قلب (CHF) بر روی مدل یکپارچه توسعه یافته با استفاده از تبدیل موجک پیوسته (CWT) و شبکه های عصبی عمیق است. روش پیشنهادی مورد استفاده در این تحقیق، ویژگی های فرکانس زمانی سیگنال الکتروکاردیوگرام (ECG) را با تبدیل سیگنال های ECG یک بعدی به تصاویر اسکالوگرام دو بعدی و سپس تجزیه و تحلیل تصاویر دو بعدی به عنوان ورودی به مدل شبکه عصبی عمیق دوبعدی تجزیه و تحلیل می کند. google net و یک نمونه شبکه و مقایسه هر دو. دلیل تبدیل سیگنال های ECG به تصاویر دو بعدی این است که استخراج ویژگی های عمیق از تصاویر به جای داده های خام برای اهداف آموزشی در google net و یک شبکه نمونه آسان تر است. داده های مورد استفاده از وب سایت Physionet ۱-BIDMC نارسایی احتقانی قلب (CHF) ۲-MIT-BIH)) طبیعی ((NSR) ۳-MIT-BIH آریتمی (Arr) است. در این کار، ما بهترین پارامترهای برازش را برای google net و یک مدل شبکه نمونه شناسایی کرده ایم که می تواند با موفقیت بیماری های قلبی رایج را با دقت ۹۹ درصد پیش بینی کند. این کار همچنین با تحقیقات اخیر در مورد طبقه بندی ECG برای تشخیص بیماری قلبی مقایسه شده است و ثابت می کند که یک تکنیک موثر برای طبقه بندی است.

کلیدواژه ها:

آریتمی ، سیگنال الکتروکاردیوگرام ، تبدیل موج گسسته ، CNN ، یادگیری عمیق ، فرکانس زمانی.