تشخیص خودکار آریتمی های قلبی از سیگنال ECG با استفاده از شبکه عصبی کانولوشن یک بعدی (D-CNN۱)

آریتمی های قلبی از مهم ترین اختلالات ریتم قلب هستند که در صورت عدم تشخیص به موقع می توانند پیامدهای خطرناکی مانند سنکوپ یا ایست قلبی ایجاد کنند. سیگنال الکتروکاردیوگرام (ECG) به عنوان رایج ترین ابزار غیرتهاجمی برای پایش فعالیت الکتریکی قلب منبع ارزشمندی برای شناسایی این اختلالات محسوب می شود. با این حال، تحلیل دستی سیگنال ECG به دلیل حجم زیاد داده و تنوع الگوهای موج کاری دشوار و زمان بر است. در سال های اخیر مدل های یادگیری عمیق توانسته اند به عنوان رویکردهایی قدرتمند برای تحلیل خودکار سیگنال ECG مطرح شوند. در این پژوهش یک مدل شبکه عصبی کانولوشن یک بعدی (D-CNN) برای تشخیص خودکار آریتمی های قلبی ارائه شده است. پس از انجام عملیات پیش پردازش شامل حذف نویز و نرمال سازی، ضربان های قلب به صورت جداگانه استخراج و به عنوان ورودی به شبکه ارائه شدند. مدل پیشنهادی بر روی پایگاه داده استاندارد MIT-BIH آموزش داده شد و توانست به دقتی برابر با ۹۳٫۸ در تشخیص ضربان های سالم و غیرسالم دست یابد. نتایج نشان می دهند که معماری ارائه شده، با وجود سادگی عملکرد قابل اعتمادی داشته و قابلیت استفاده در سامانه های هوشمند پایش سلامت را دارد.

کلیدواژه ها:

ECG ، آریتمی قلبی ، شبکه عصبی کانولوشن یک بعدی (D-CNN۱) ، یادگیری عمیق ، پیش پردازش سیگنال