پیش ‎بینی بیماری‎ های قلبی-عروقی از روی سیگنال‎ های EEG با استفاده از ترکیب شبکه YOLO و الگوریتم XGBoost

مقدمه:  بیماری های قلبی-عروقی همچنان از اصلی ترین علل مرگ ومیر در سراسر جهان به شمار می روند و تشخیص زودهنگام آن ها اهمیت حیاتی در کاهش عوارض و مرگ دارد. روش های سنتی تشخیص این بیماری ها غالبا متکی بر تفسیر دستی سیگنال های قلبی بوده که زمان بر و وابسته به تجربه پزشک است. پیشرفت روش های یادگیری عمیق و داده کاوی امکان تحلیل خودکار سیگنال های پزشکی و شناسایی الگوهای پنهان را فراهم کرده است. در این پژوهش رویکردی نوین برای شناسایی بیماری های قلبی بر پایه سیگنال های ECG ارائه می شود. روش کار: در این مطالعه یک مدل ترکیبی مبتنی بر یادگیری عمیق طراحی شد که از شبکه YOLO (نسخه سریع) برای استخراج ویژگی های میان سطحی سیگنال های ECG و از الگوریتم XGBoost به منظور بهبود فرآیند طبقه بندی استفاده می کند. ابتدا داده های مربوط به پایگاه MIT-BIH Arrhythmia استخراج و پیش پردازش شدند. سپس، سیگنال ها به شبکه YOLO داده شدند تا بردارهای ویژگی استخراج گردد. خروجی شبکه به الگوریتم XGBoost داده شد تا طبقه بندی نهایی با ترکیب چندین درخت تصمیم ضعیف انجام گیرد. در نهایت، مدل پیشنهادی با روش های متداول موجود مقایسه شد. یافته ها: نتایج آزمایش ها نشان داد شبکه YOLO توانایی استخراج ویژگی های کلیدی از سیگنال های ECG را دارد و در ترکیب با XGBoost موجب افزایش دقت کلی مدل می شود. مدل پیشنهادی توانست نسبت به روش های پایه از جمله شبکه های عصبی ساده و SVM عملکرد بهتری ارائه دهد. در ارزیابی بر روی پایگاه داده MIT-BIH، دقت طبقه بندی مدل پیشنهادی به طور قابل توجهی افزایش یافت و شاخص هایی همچون حساسیت و ویژگی نیز بهبود پیدا کردند. این نتایج نشان می دهد استفاده همزمان از یادگیری عمیق و الگوریتم های تقویتی می تواند یک رویکرد کارآمد در تحلیل سیگنال های پزشکی باشد. نتیجه گیری: این پژوهش نشان داد که مدل ترکیبی YOLO-XGBoost روشی دقیق و نوآورانه برای شناسایی بیماری های قلبی بر اساس سیگنال های ECG است. این روش علاوه بر افزایش دقت طبقه بندی، قابلیت پیاده سازی در سیستم های پشتیبان تصمیم گیری بالینی را دارد و می تواند به عنوان ابزاری کارآمد در غربالگری بیماران مورد استفاده قرار گیرد. در آینده می توان این مدل را با داده های بیشتر و متنوع تر اعتبارسنجی کرده و در سامانه های هوشمند پزشکی یکپارچه سازی نمود.

کلیدواژه ها:

Heart disease ، arrhythmia ، deep learning ، cardiac signals ، YOLO ، XGBoost. ، بیماری قلبی ، آریتمی ، یادگیری عمیق ، سینگال های قلبی ، YOLO ، XGBoost