دیجیتالی کردن ECG های آنالوگ: استفاده از یادگیری عمیق برای تبدیل سوابق تاریخی به سیگنال های دیجیتال با کیفیت باال

سوابق الکتروکاردیوگرام مبتنی بر کاغذ چالش هایی مانند تخریب داده ها، تجزیه و تحلیل گذشته نگر محدود و عدم استانداردسازی را ایجاد می کند. این مطالعه یک خط لوله دیجیتالی قوی برای تبدیل ECG های آنالوگ به فرمت های دیجیتال با کیفیت باال ارائه می دهد. با استفاده از مجموعه دادههای تشخیصی PTB ECG (PTB-XL) و تصاویر مصنوعی با اعوجاجهای واقعی، این فرآیند شامل بخش بندی با ResUNet ۱۸، تصحیح همترازی با ویژگی های جهتدار از تست قطعه تسریع شده (Features from Accelerated Segment Test) و ویژگی ابتدایی مستقل دودویی قوی (Rotated Binary Robust Independent Elementary Feature (BRIEF) descriptor (ORB)) و نمونه تصادفی اجماع (Random Sample Consensus) است. تشخیص لید با استفاده از مدل نانو You Only Look Once انجام شده است. سپس تصاویر باینری به سیگنال های دیجیتال کالیبره شده تبدیل می شوند و برای کاهش نویز و اصالح خط پایه پردازش می شوند. ارزیابی نشان میدهد که این روش به نسبت سیگنال به نویز مبتنی بر میانه ۱۱.۸۳ دسیبل دست مییابد که اثربخشی آن را برای حفظ کیفیت سیگنال نشان می دهد. این رویکرد ادغام دادههای ECG تاریخی را در جریانهای کاری مدرن، پشتیبانی از تحقیقات در مقیاس بزرگ و برنامه های کاربردی یادگیری ماشین، امکان پذیر میسازد.

کلیدواژه ها:

سوابق تاریخی ECG ، دیجیتالی سازی ECG ، یادگیری عمیق در مراقبت های بهداشتی ، تقسیم بندی UNet