بررسی و تحلیل کاربرد شبکه عصبی کانولوشن در تشخیص فیبریلاسیون دهلیزی به کمک سیگنال الکتروکاردیوگرام

هوش مصنوعی باعث پیشرفت بسیاری از علوم در سال های اخیر شده است. یکی از قابلیت های پیشرفته هوش مصنوعی، تشخیص بیماری با تکنولوژی پیشرفته می باشد. فناوری هوش مصنوعی قادر به تحلیل و بررسی اطلاعات پزشکی می تواند به پزشکان خبره کمک شایانی در تشخیص بیماری ها کمک کند. با استفاده از ابزارهای هوش مصنوعی می توانند به اطلاعات پزشکی بیماران دسترسی پیدا کرده و نحوه درمان بیماران را شخصی سازی نمایند. هوش مصنوعی می تواند باعث تشخیص و درمان بسیاری از بیماری ها شده و بسیاری از مشکلات انسان ها را برطرف کند. ابزارهای هوش مصنوعی می توانند هزینه های درمان بسیاری از بیماری ها را کاهش داده تا افراد بیشتری بتوانند به درمان خود اقدام کنند. در این پژوهش با استفاده از شبکه عصبی کانولوشن دهلیزی (AF) به تشخیص و پردازش تصویر فیبریلاسیون دهلیزی به تشخیص بیماری فیبریلاسیون دهلیزی می پردازیم. شبکه عصبی کانولوشن (CNN) نوعی شبکه عصبی مصنوعی میباشد که در تشخیص و پردازش تصویر از سخت افزار نرم افزار می باشد. CNN از عملکرد نورونهای انسان الگوبرداری شده است که بیشتر شبیه نورونهای قشر بصری مغز انسان است. CNN لایه های خود را مرتب می کند، لایه ورودی یک لایه بیرونی و یک لایه پنهان است. در این مقاله ابتدا سیگنال های مورد نظر را سایت فوریونت CNN دانلود کرده پس از عبور از مرحله پیش پردازش به تصویر تبدیل شده است. سپس از طریق شبکه عصبی کانولوشن دوبعدی با معماری الکس نت ۱۰۰۰ ویژگی استخراج و توسط لایه fully connected مورد بررسی قرار گرفته است. در نهایت شبکه عصبی کانولوشن با دقت ۹۸/۷۴/۲۲ و ۹۸/۸۰ بیماری فیبریلاسیون دهلیزی را تشخیص داده است در نتیجه هوش مصنوعی در تشخیص بیماری فیبریلاسیون دهلیزی موثر است.

کلیدواژه ها:

هوش مصنوعی ، شبکه عصبی کانولوشن ، دو بعدی ، فیبریلاسیون دهلیزی ، اسکیتوگرام