تحلیل و مقایسه الگوریتم های مختلف یادگیری عمیق برای طبقه بندی سیگنال ECG

آریتمی یکی از دلایل عمده مرگ و میر در سراسر جهان است تقریبا ۱.۷۱ میلیون نفر در اثر بیماری های قلبی عروقی می میرند. به منظور کاهش این میزان مرگ و میر بسیار زیاد، باید بیماری قلبی عروقی به درستی شناسایی و تشخیص داده شوند و درمان مناسب برای آن باید بلافاصله در اختیار بیماران قرار گیرد. آنالیز سیگنال های قلبی به صورت گسترده ای برای تشخیص بیماری های قلبی استفاده می شود. از آنجا که بیشتر اطلاعات کلینیکی مفید در ECG در فواصل دامنه های تعریف شده بر اساس نقاط مهم سیگنال (شامل موج ها و مرزهای مشخصه سیگنال) نهفته است، توسعه روش های دقیق و مقاوم برای توصیف خودکار ECG از اهمیت بالایی برخوردار است. این اهمیت در مورد بررسی سیگنال های طولانی مدت مانند سیگنال های ثبت شده در هولترمانیتور دو چندان خواهد بود. کاملا مشخص است که تشخیص QRS برای تعیین نرخ ضربان و همچنین برای استفاده به عنوان مرجع تطبیق ضربان ضروری است. به طور سنتی طبقه بندی آریتمی بر آنالیز دستی سیگنال های ECG تکیه دارد. در سال های اخیر، یادگیری عمیق (DL) توجه زیادی را به خود جلب کرده و به طور گسترده در زمینه های مختلف از جمله، تشخیص به موقع ناهنجاری ها در سیگنال های الکتروکاردیوگرام (ECG) می تواند نقش مهمی در نظارت بر بیمار داشته باشد. آریتمی که با ضربان قلب نامنظم و ریتم غیرطبیعی قلب مشخص می شود، برای شناسایی سریع ناهنجاری ها به چیزی بیش از تجزیه و تحلیل دستی سیگنال های ECG نیاز دارد. این مطالعه که بر کاربرد روش های DL برای طبقه بندی سیگنال های ECG (شخص دارای آریتمی و شخص نرمال) تمرکز دارد. تکنیک های مختلف DL مانند شبکه عصبی کانولوشن (CNN)، INCEPTION RESNET)، شبکه عصبی بازگشتی (RNN)، حافظه کوتاه مدت بلند مدت (LSTM) و واحد بازگشتی دروازه ای (GRU) را در نظر می گیرد.

کلیدواژه ها:

الکتروکاردیوگرام ، مدل های یادگیری عمیق ، مدل