کاربرد الگوریتم های یادگیری ماشین و شبکه های عصبی عمیق در تشخیص آریتمی PSVT: یک مرور سیستماتیک بر تکنیک های استخراج ویژگی و طبقه بندی

آریتمی فوق بطنی پاروکسیمال یک اختلال شایع و بالقوه خطرناک در سیستم قلبی است که می تواند به طور ناگهانی ایجاد و متوقف شود. تشخیص سریع و دقیق این آریتمی برای پیشگیری از عوارض جدی قلبی ضروری است. در سال های اخیر، روش های یادگیری ماشین و شبکه های عصبی عمیق به عنوان ابزارهای پیشرفته برای تحلیل داده های سیگنال های سیگنال های(ECG) به کار گرفته شده اند و امکان تشخیص غیرتهاجمی، خودکار و دقیق PSVT را فراهم کرده اند. این مقاله مروری با هدف بررسی جامع تکنیک های موجود در استخراج ویژگی و الگوریتم های طبقه بندی برای تشخیص PSVT طراحی شده است. تکنیک های استخراج ویژگی، شامل ویژگی های زمانی، فرکانسی و تحلیل غیرخطی، به طور کامل معرفی و مقایسه شده اند. ویژگی های زمانی اطلاعات آماری ساده ای مانند میانگین و انحراف معیار سیگنال را بررسی می کنند، در حالی که ویژگی های فرکانسی به تحلیل محتوای فرکانسی از طریق تبدیل فوریه و ویولت می پردازند. همچنین، تحلیل غیرخطی بر اساس مدل های پیچیده تر مانند تحلیل DFA و RQA به بررسی الگوهای غیرخطی در سیگنال های ECG کمک می کند. در بخش الگوریتم های یادگیری ماشین، مدل های سنتی مانند ماشین بردار پشتیبان (SVM)، نزدیک ترین همسایه (KNN)، و جنگل تصادفی مورد بحث قرار گرفته اند. پیشرفت های شبکه های عصبی عمیق، از جمله شبکه های پیچشی (CNN) و شبکه های بازگشتی (RNN)، و کاربرد یادگیری انتقالی در بهبود عملکرد طبقه بندی تشریح شده است. نتایج مطالعات مختلف نشان می دهد که ترکیب ویژگی های زمانی و فرکانسی با مدل های شبکه عصبی پیچشی می تواند دقت تشخیص را تا حد قابل توجهی افزایش دهد. چالش هایی مانند کمبود داده های استاندارد، پیچیدگی محاسباتی مدل ها، و نیاز به بهینه سازی بیشتر مدل های ترکیبی همچنان وجود دارد. در پایان، این مقاله با ارائه پیشنهادهایی برای تحقیقات آینده، از جمله توسعه الگوریتم های هیبریدی و استفاده از مجموعه داده های بزرگ تر و متنوع تر، تلاش می کند مسیر تحقیقات در این حوزه را روشن تر کند.

کلیدواژه ها:

آریتمی PSVT ، سیگنال ECG ، یادگیری ماشین ، شبکه عصبی عمیق ، استخراج ویژگی ، طبقه بندی.