بهبود دقت طبقه بندی موثر آریتمی بیماری قلبی با کمک CNN و الگوریتم فراابتکاری BER

شیوع فزاینده بیماریهای قلبی در سرتاسر جهان، برای پزشکان، حتی متخصصان، در تشخیص دقیق چنین شرایطی با چالش بزرگی مواجه شده است. در پرداختن به این چالش، کلاس جدیدی از الگوریتم ها به نام الگوریتم های بهینه سازی فراابتکاری برای حل مسائل پیچیده محبوبیت پیدا کرده اند. این مقاله یک مدل شبکه عصبی کانولوشن بهینه شده (CNN) را معرفی می کند که از یک الگوریتم بهینه سازی به نام BER استفاده می کند. BER برای شناسایی فراپارامترهای بهینه شبکه، با هدف خاص طبقه بندی دقیق بیماری های آریتمی با استفاده از مجموعه داده های سیگنال های الکتروکاردیوگرام (ECG) استفاده می شود. مدل پیشنهادی از طریق معیارهایی مانند دقت، یادآوری و امتیاز F۱ اندازه گیری می شود. علاوه بر این، عملکرد مدل پیشنهادی با چندین مطالعه اخیر مقایسه شده است. با توجه به نتایج، تفاوت بین دقت روش پیشنهادی و روش های دیگر به طور میانگین ۰.۴ درصد بهتر شده است. تفاوت بین Precision روش پیشنهادی و روش های دیگر به طور میانگین ۰.۷ درصد، تفاوت بین Recall روش پیشنهادی و روش های دیگر به طور میانگین ۰.۸ درصد بهتر و تفاوت بین F۱-Score روش پیشنهادی و روش های دیگر به طور میانگین ۰.۱ درصد بدتر شده است.

کلیدواژه ها:

شبکه عصبی کانولوشن ، الگوریتم بهینه سازی بنام BER ، Precision ، Recall ، بیماریهای قلبی