تشخیص بیماری قلبی با استفاده از شبکه های عصبی پیچشی و الگوریتم بهینه‎ سازی ذرات

مقدمه: قلب انسان از لحاظ فیزیولوژیکی یک شاخص زنده محسوب می گردد و امکان ثبت سیگنال ها به صورت مداوم با استفاده از دستگاه الکتروکاردیوگرام وجود دارد. بیماری های قلبی- عروقی یکی از مهم ترین علت های مرگ‎ومیر  در کل دنیا محسوب می شوند. مبتلا شدن به بیماری های قلبی-عروقی می تواند قابل اجتناب باشد، البته درصورتی که بتوان سریع و دقیق این بیماری را پیش بینی یا شناسایی کرد و در جهت جلوگیری اقدام نمود. روش کار: در این مطالعه با هدف تشخیص الگوهای موجود در ویژگی های استخراج شده از بیماران آریتمی قلبی، گروهی از نارسایی های قلبی پیش بینی خواهد شد و نمونه های بیمار را از حالت عادی تشخیص می دهد. در مدل پیشنهادی ابتدا روی مجموعه دادگان، در مرحله پیش‎پردازش، عملیات گسسته سازی و جایگزینی مقادیر از دست رفته به روش میانگین‎گیری ستونی انجام می شود، سپس به منظور کاهش ویژگی‎ها، پیچیدگی و افزایش سرعت و دقت، عملیات انتخاب ویژگی، روی داده‎های نرمال شده صورت گرفته و به طبقه بند‎های درخت تصمیم، k نزدیک ترین همسایه، بیز ساده و CNN ارسال می‎شود. یافته ها: در مقایسه ای که از دقت به دست آمده از الگوریتم های مختلف قبل و بعد از اعمال روش پیشنهادی انجام شده است مشاهده می شود که کلیه روش ها پس از اعمال روش پیشنهادی، با دقت بهتری عمل می کنند همچنین CNN عملکرد بهتری از خود نشان داده است. نتیجه گیری: نتایج نشان داد که دقت مدل پیشنهادی با نرخ تشخیص ۳۴/۹۲ درصد بهتر از سایر روش ها عمل می نماید.

کلیدواژه ها:

Cardiac Arrhythmia ، Convolutional Neural Network ، Particle Swarm Optimization ، Multiclass Classification ، آریتمی قلب ، شبکه‎ ها ی عصبی پیچشی ، بهینه سازی ازدحام ذرات ، طبقه بندی چند کلاسه