ارزیابی هوشمند مبتنی بر الکتروکاردیوگرام برای پیشگیری از رویدادهای قلبی مرتبط با ورزش: یک چارچوب پیش بینی سبک وزن

شیوع بیماری های قلبی عروقی هم چنان به صورت سالانه در حال افزایش است و حملات قلبی، شایع ترین این بیماری ها است. تشخیص بیماری های قلبی به دلیل تنوع بالای علائم، با چالش های قابل توجهی همراه است. پیشرفت در دستگاه های هوشمند پوشیدنی، توسعه راهکارهای مراقبت سلامت مبتنی بر اینترنت اشیا (IoT) را تسهیل کرده است؛ با این حال، طراحی مدلی سبک وزن و کارآمد برای تشخیص بیماری های قلبی هم چنان دشوار است. در این مقاله، یک رویکرد نوین دو مرحله ای برای طبقه بندی بیماری های قلبی ارائه می شود. در مرحله نخست، از یک ماشین بردار پشتیبان غیرخطی بهینه سازی شده (SVM) به منظور جداسازی موثر کلاس ها استفاده می شود. مرحله دوم، از یک سیستم منطق فازی اصلاح شده برای پالایش و بهبود فرآیند طبقه بندی بهره می گیرد. سیگنال های الکتروکاردیوگرام (ECG) در ابتدا، پیش پردازش می شوند تا نویزها حذف و داده ها هموارسازی شوند. سپس، ویژگی هایی شامل مشخصه های موج های PQRS، ویژگی های خطی و اطلاعات متقابل، استخراج می گردد. چارچوب طبقه بندی شامل یک فرآیند یادگیری دو مرحله ای با تمرکز بر آریتمی های قلبی است. در گام نخست، هر کلاس به صورت جداگانه تحت یک طبقه بندی دودویی قرار می گیرد که از الگوریتم بهینه سازی اسب وحشی همراه با آستانه گذاری سیگموئیدی (WHO-sigmoid-TH-NL-demarcation) استفاده می کند. پس از آن، خروجی های حاصل، توسط یک سیستم منطق فازی تاکاگی–سوگنو (TS) که با روش ساخت اهرام جیزه (GPC) بهینه سازی شده است، برای تصمیم گیری نهایی پردازش می شوند. ارزیابی های انجام شده روی پایگاه داده آریتمی MIT-BIH نشان دهنده اثربخشی روش پیشنهادی است؛ به طوری که میانگین دقت، حساسیت و ویژگی به ترتیب برابر با ۹۸.۵۸٪، ۹۸.۱۳٪ و ۹۶.۴۷٪ به دست آمد. پیاده سازی این رویکرد در محیط MATLAB انجام شد که کاربردپذیری عملی آن را نشان داد.

کلیدواژه ها:

تشخیص بیماری قلبی ، اینترنت اشیا (IoT) ، WHO-sigmoid-TH-NL-demarcation ، منطق فازی GPC-TS ، پایگاه داده آریتمی MIT-BIH ، MATLAB