دیجیتالی کردن ECG های آنالوگ: استفاده از یادگیری عمیق برای تبدیل سوابق تاریخی به سیگنال های دیجیتال با کیفیت باال
- سال انتشار: 1403
- محل انتشار: دومین کنفرانس بین المللی هوش مصنوعی و مهندسی نرم افزار
- کد COI اختصاصی: AISOFT02_023
- زبان مقاله: فارسی
- تعداد مشاهده: 50
نویسندگان
دانشکده مهندسی برق و کامپیوتر، دانشگاه شیراز، شیراز، ایران
دانشکده مهندسی برق و کامپیوتر، دانشگاه شیراز، شیراز، ایران
چکیده
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 UNetمقالات مرتبط جدید
- The Impact of Artificial Intelligence on Staff Training in Organizations
- هوش مصنوعی از گذشته تا حال حاضر و چشم انداز پیشروی آن
- Using genetic data to personalize content in social space with the help of CNN deep neural network
- مدلسازی بیومکانیکی مبتنی بر هوش مصنوعی: فرصت ها و چالش ها در توسعه تجهیزات پزشکی پیشرفته
- مقایسه سه مدل یادگیری ماشین در تشخیص بیماری قلبی: Logistic Regression ، Decision Tree ، Random Forest
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.