پردازش سیگنال الکتروکاردیوگرام با هوش لبه

مدلهای یادگیری عمیق ساخته شده با سیگنالهای ۱۲ لید الکتروکاردیوگرام روشهای پیشرو در زمینه تشخیص خودکار بینظمی به وسیله سیستمهای هوشمند پزشکی هستند؛ اما این مدلها به دلیل حجم انبوه پارامترهای آنها دارای پیچیدگی محاسباتی بالایی هستند. لذا این مدلها برای استفاده واقعی مناسب نبوده و کاربرد آنها برای استفاده در دستگاههای با منابع محاسباتی کم در فناوری نوظهوری مانند اینترنت اشیاء پزشکی (Internet of Medical Things) نیز محدود است. در این مقاله ، با به کارگیری رهیافت یادگیری سبکوزن، روشی ارائه شده تا طبقه بندی بینظمی در سیگنالهای ۱۲ لید الکتروکاردیوگرام بر روی دستگاه لبه قابل انجام باشد. در روش پیشنهادی یک مدل شبکه های عصبی کانولوشنی با ۲۸ لایه ساخته شده است. سپس با به کارگیری بستر TensorFlow Lite مدل سبک وزنی از آن استخراج شده است. در ادامه این مدل بر روی دستگاه اندرویدی به عنوان دستگاه لبه پیاده سازی شده است. ارزیابیها نشان میدهد که مدل طبقه بندی پیشنهادی برای طبقه بندی ۷ نوع بینظمی در نمونه های مجموعه داده ChapmanECG با ۱۰۶۴۶ بیمار دارای صحت معادل با ۵۰/۸۴% است. نهایتا مقایسات انجام شده عملکرد رقابتی مدل پیشنهادی را با روشهای دیگر مبتنی بر مدلهای استاندارد یادگیری عمیق نشان میدهد.

کلیدواژه ها:

الکتروکاردیوگرام ، شبکه عصبی کانولوشن ، بینظمی قلبی ، یادگیری عمیق ، پردازش سیگنال ، هوش لبه ، شبکه عصبی