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
- سال انتشار: 1403
- محل انتشار: بیست و یکمین کنفرانس ملی پژوهش های کاربردی در علوم برق ،کامپیوتر و مهندسی پزشکی
- کد COI اختصاصی: ECMECONF21_085
- زبان مقاله: فارسی
- تعداد مشاهده: 160
نویسندگان
دانشجوی کارشناسی ارشد
چکیده
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.اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.