پیش بینی سری های زمانی سیگنال های دینامیکی آشوبناک با استفاده از روش های یادگیری ماشین برای تغییرپذیری ضربان قلب

تغییرپذیری ضربان قلب (HRV)، که از فواصل RR در سیگنال های ECG به دست می آید، فعالیت سیستم عصبی خودکار را منعکس می کند که پیش بینی آن به دلیل ماهیت غیرخطی و آشوبناک آن چالش برانگیز است. در این مقاله، ابتدا سیگنال های ECG برچسب گذاری شده از پایگاه داده Physionet به دست آمدند. سپس، فیلتر میان گذر مرتبه چهارم Butterworth و بازسازی فضای فاز با رویکرد پنجره کشویی بر روی این سیگنال های آشوبناک اعمال شده و با چهار روش یادگیری ماشین آموزش داده شدند. از آنجایی که LSTM و CNN به ترتیب به دلیل قابلیت های زمانی و فرکانسی خود عملکرد بهتری نسبت به سایر روش ها نشان دادند، یک روش ترکیبی LSTM+CNN پیشنهاد شد که معیارهای ارزیابی RMSE و R² را بهبود بخشید و نشان داده شد که دارای قابلیت های زیر است: مقاومت در برابر نویز سفید و صورتی، توانایی تشخیص سیگنال های بیمار آریتمی بدون برچسب از سیگنال های سالم، و توانایی پیش بینی سیگنال های HRV سالم و ناسالم.

کلیدواژه ها:

سیگنال دینامیکی آشوبناک ، پیش بینی سری های زمانی ، بازسازی فضای فاز ، یادگیری ماشین ، بازه های HRV و RR