تشخیص آریتمی قلبی با استفاده از سیگنال الکتروکاردیوگرام مبتنی بر یادگیری عمیق

تشخیص خودکار آریتمی قلبی با استفاده از سیگنال ECG نقشی حیاتی در کاهش مرگ و میر ناشی از بیماریهای قلبی دارد. چالش اصلی در این زمینه تنوع بالای سیگنال ها بین بیماران مختلف و تغییرات زیاد درون کلاسی است. در این تحقیق، یک روش نوین ترکیبی شامل نویززدایی با EEMD-DWT، تشخیص کمپلکس QRS با همبستگی خودکار و تبدیل هیلبرت، استخراج ویژگی با شبکه عصبی پیچشی سه لایه، نگاشت تطبیقی فضای ویژگی و طبقه بندی با شبکه عصبی MLP ارائه شده است. ارزیابی روی پایگاه داده MIT-BIH (۴۸ رکورد) در سناریوی بین بیمار انجام شد. الگوریتم تشخیص QRS به حساسیت ۹۹/۹۳ درصد و نرخ خطای ۰/۱۲ درصد دست یافت که نسبت به الگوریتم پان تامپکینز خطای ۶۸ درصد بهبود چشمگیری دارد. روش نگاشت فضای ویژگی تغییرات درون کلاسی را به طور میانگین ۳۴ درصد کاهش داد. روش پیشنهادی کامل به دقت ۹۶ درصد، حساسیت ۹۹/۹۳ درصد و اختصاصیت ۹۹/۹۵ درصد رسید که نسبت به چهار مطالعه برتر LS-SVM، FLV، SVM و CNN تنها به ترتیب ۲/۳، ۴/۱، ۱/۸ و ۳/۲ درصد بهبود نشان می دهد. این نتایج تایید می کند که رویکرد ترکیبی ارائه شده قابلیت بالایی برای کاربردهای عملی در سیستم های پایش قلبی دارد.

کلیدواژه ها:

آریتمی ، قلبی ، یادگیری عمیق ، شبکه عصبی پیچشی ، نگاشت فضای ویژگی ، تبدیل هیلبرت ، تجزیه مد تجربی