شناسایی کمپلکس QRS جنین از ثبت غیرتهاجمی سیگنال الکتروکاردیوگرام شکمی به کمک روش های یادگیری ژرف

نارسایی های قلبی مادرزادی یکی از دلایل اصلی مرگ های مرتبط با نارسایی در زمان تولد است. پایش سیگنال الکتروکاردیوگرام قلب جنین (FECG) در تشخیص زودهنگام نارسایی های قلبی و الگوهای غیرطبیعی در ضربان قلب موثر و حائز اهمیت است. تشخیص کمپلکس QRS در سیگنال FECG در تعیین معیار های مرتبط با سلامت جنین هم چون نرخ ضربان قلب جنین، تشخیص بیماری های قلبی مادرزادی، دیسترس، هیپوکسی جنین و برخی از بیماری های دیگر نقش به سزایی دارد. از این رو در این مطالعه روشی نوین و خودکار مبتنی بر روش های یادگیری عمیق ارائه گردیده است که از این طریق می توان اقدام به شناسایی کمپلکس QRS جنین از سیگنال ECG شکمی (AECG) نمود. پایگاه داده ی مورد استفاده در این مطالعه برگرفته از پایگاه داده ی معرفی شده در مجموعه ی a از چالش ۲۰۱۳ فیزیونت است. در مطالعه ی حاضر استفاده از یک معماری شبکه ی عصبی کانولوشنی (CNN) یک بعدی پیشنهاد شده است. شبکه ی عمیق پیشنهادی دارای ۲۰ لایه شامل ۵ لایه ی کانولوشنی، ۷ لایه ی نرمال سازی دسته ای، ۳ لایه ی حذف تصادفی و ۳ لایه ی متراکم است. در گام اول از الگوریتم پیشنهادی ابتدا سیگنال AECG تحت پیش پردازش قرار گرفته، سپس با تغییر اندازه ی سیگنال ورودی، داده افزایی و هم چنین ساخت برچسب های قابل استفاده توسط شبکه، داده ها برای استفاده توسط شبکه ی عمیق پیشنهادی آماده شده است. در گام بعد داده ها با هدف آموزش و ارزیابی به عنوان ورودی در اختیار شبکه ی پیشنهادی قرار داده شده است. روش پیشنهادی به کمک معیارهایی هم چون صحت، میانگین مربعات خطا، امتیاز F۱، حساسیت، اختصاصیت و دقت مورد ارزیابی قرار گرفته و در ادامه با نتایج حاصل از سایر تحقیقات صورت گرفته روی این پایگاه داده، مقایسه شده است. در این مطالعه چندین رویکرد برای ارزیابی شبکه ی پیشنهادی مورد استفاده قرار گرفته است. در بهترین رویکرد صحت، حساسیت، اختصاصیت و دقت شبکه ی پیشنهادی در شناسایی کمپلکس QRS جنین به ترتیب معادل ۷۹/۹۶%، ۹۱/۹۷%، ۷۹/۹۲% و ۸۸/۹۷% است. از جمله نوآوری های شبکه ی پیشنهادی عدم حذف الکتروکاردیوگرام مادر و قابلیت آموزش شبکه تنها با استفاده از ۲۰ سیگنال از ثبت های AECG است.