پیشبینی نارسایی مزمن قلب با استفاده از الگوریتم Faster R-CNN

عدم گردش خون کافی در قلب، باعث آریتمی ها و نارسایی احتقانی قلب می شود. سیگنال ECG یک استاندارد طلایی برای تشخیص عوارض کشنده قلبی ناشی از آریتمی ها است. چالش اصلی در این مقاله، استخراج اطلاعات حیاتی موجود در سیگنال ECG از طریق تحلیل و طبقه بندی ناهنجاری های مختلفی است که در این سیگنال نمایش داده می شوند. این مقاله Faster R-CNN را برای پیشبینی نارسایی احتقانی قلب با دقت تشخیصی بالا ارائه می دهد. سیگنال های ورودی ECG نویزی مانند انقباض عضلانی، نویز تماس الکترود، و نویز های مختلف دیگر با استفاده از روش میانگین مربعات حداقل تاخیر یافته پیش پردازش می شوند. کمپلکس QRS با استفاده از تبدیل کسینوسی گسسته و تبدیل فوریه سریع استخراج می شود. جعبه تشخیص هدف و پارامتر کادرهای محصور کننده برای مدل Faster R-CNN تنظیم می شوند تا از تشخیص هدف از دست رفته، بیش برازش و هزینه محاسباتی جلوگیری شود. سیگنال های ECG برای این مطالعه از پایگاه داده MIT-BIH و BIDMC به دست آمدند. روش پیشنهادی دقت، ارزش پیش بینی مثبت، حساسیت و ویژگی به ترتیب ۹۸.۶۵%، ۹۷.۸۱%، ۹۸.۵% و ۹۸.۲% را در ارزیابی با سیگنال های ECG این مجموعه داده ارائه می دهد. برای کلاس های آریتمی های قلبی، نارسایی احتقانی قلب و ریتم نرمال سینوسی در مجموعه داده MIT-BIH، مدل پیشنهادی دقت ۹۹%، ۱۰۰% و ۹۸% را ارائه می دهد و برای کلاس های نارسایی احتقانی قلب شدید و نرمال در مجموعه داده BIDMC، دقت ۹۸% و ۹۷% را ارائه می دهد. این مطالعه عمدتا کارآیی تکنیک Faster R-CNN در پیشبینی آریتمی ها و نارسایی احتقانی قلب در بیماران را با توجه به تعداد ویژگی های افزایشی در سیگنال ECG نشان می دهد. همچنین به عنوان یک راه حل امیدوار کننده برای پزشکان جهت نظارت طولانی مدت بر بیماران مستعد نارسایی احتقانی قلب با ریتم ضربان قلب غیرطبیعی و بهبود تصمیم گیری پزشکی عمل می کند.

کلیدواژه ها:

نارسایی احتقانی قلبی ، Faster R-CNN ، شبکه عصبی کانولوشن ، تبدیل کسینوس گسسته ، تبدیل فوریه سریع ، حداقل میانگین مربع عادی شده ، پردازش سیگنال