بکارگیری مدل مبتنی بر یادگیری عمیق بر روی تصویر چاپ شده سیگنال های ECG برای تشخیص بیماری های قلبی عروقی

تشخیص بیماری های قلبی از روی تصاویر چاپ شده نوارهای الکتروکاردیوگرام اهمیت ویژه ای دارد، زیرا این نوارها به عنوان یک استاندارد جهانی در تمامی مراکز درمانی قابل تفسیر و استفاده هستند. استفاده از یادگیری عمیق برای تحلیل خودکار این نوارها می تواند دقت و سرعت تشخیص را به طور چشمگیری بهبود دهد. در این پژوهش یک مدل مبتنی یادگیری عمیق برای طبقه بندی تصاویر چاپ شده سیگنال های الکتروکاردیوگرام به پنج کلاس ارائه شده است. برای این منظور ابتدا پیش پردازش هایی روی تصاویر بدست آمده از سیگنال های الکتروکاردیوگرام اعمال شده است. این پیش پردازش ها برای نرمال سازی و تقویت داده های تعلیم می باشد. سپس با ارتقای مدل از پیش آموزش داده شده ResNet-۱۸ از طریق ترکیب آن با ماژول های فشرده سازی و تحریک شبکه، سعی شده یک مدل پیشرفته به اسم SEResNet-۱۸ برای بهبود ویژگی های استخراج شده و تشخیص دقیق تر بیماری های قلبی بکار گرفته شود. مدل پایه ResNet-۱۸ و مدل پیشرفته SEResNet-۱۸ روی مجموعه داده PTB-XL پیاده سازی و ارزیابی شده اند که در نهایت مدل پایه ResNet-۱۸ توانست به صحت ۸۱.۴۵ % و مساحت زیر منحنی%۹۵.۵۴ دست پیدا کند در حالیکه در مدل پیشرفته با افزودن ماژول فشرده سازی و تحریک، عملکرد مدل به شکل قابل توجهی بهبود یافت، به طوری که صحت مدل پیشرفته به ۸۵.۱۶% و مساحت زیر منحنی به ۹۶.۶۸ % افزایش پیدا کرد. این کارایی در مقایسه با روش های موجود نیز برتر می باشد.

کلیدواژه ها:

الکتروکاردیوگرام ، بیماری های قلبی ، مدل ResNet-۱۸ ، ماژول فشرده سازی و تحریک ، یادگیری عمیق