تشخیص آریتمی ضربان انقباض زودرس بطنی ازسیگنال نرمال قلبی با استفاده از تصویر زمان- فرکانس سیگنال ECG

بیماری قلبی، یکی از اولین دایل مرگ برای افراد در دنیا است. تشخیص زودهنگام می تواند امکان درمان به موقع و مناسب را فراهم آورد و مرگ بیماران مبتا به بیماری قلبی را کاهش دهد. یکی از ابزارهایی که قابلیت هوشمندی را به شکل مناسب ایجاد می نماید و در سال های گذشته نیز، به شدت مورد توجه قرار گرفته، روش های هوش مصنوعی است. روش یادگیری عمیق یکی از روش های جدید در تشخیص و تفکیک می باشد که با استفاده از شبکه عصبی کانولوشن انجام می شود و میتواند بیش از ۱۰۰۰ گروه را با صحت و دقت باا از هم تفکیک کند که یکی از مهمترین معماری در شبکه عصبی کانولوشن معماری AlexNet می باشد . ما در این مقاله با استفاده از سیگنال تک کانال ECG و یادگیری عمیق آریتمی ضربان انقباض زودرس دهلیزی ازسیگنال نرمال قلبی.در این پایان نامه با استفاده از شبکه عصبی کانولوشن بر مبنای معماری AlexNet با ساختار ایه های تماما متصل ۸fc ، ۱۰۰۰ ویژگی عمیق بدون دخالت دست استخراج شده و در نهایت اریتمی های قلبی را با طبقه بندی کننده های KNN و NN و SVM به ترتیب با صحت ۹۸/۸۸ و ۳۳/۹۳ و ۷۸/۹۷ درصد از هم تفکیک نمودیم. در نتیجه طبقه بندی کننده SVM با صحت ۷۸/۹۷ به عنوان طبقه بندی کننده برتر برای تفکیک آریتمی ضربان انقباض زودرس بطنی ازسیگنال نرمال قلبی شناخته شد.

کلیدواژه ها:

CNN ، AlexNet ، ECG ، آریتمی PVC