تشخیص آریتمی از یک حسگر زیستی پوشیدنی کم مصرف توسط شبکه عصبی کانولوشن (CNN) و حافظه کوتاه مدت (LSTM)

آریتمی به عنوان یک ناهنجاری در سیستم هدایت الکتریکی قلب با الگوهای ضربان نامنظم همراه است و اثرات آن در سیگنال های الکتروکاردیوگرام (ECG) قابل ردیابی است. با این حال بررسی دستی این سیگنال ها به دلیل دامنه سیگنال پایین فرآیندی خسته کننده و مستعد خطا به شمار می رود. استقرار یک سامانه هوشمند در فضای درمانی می تواند فرآیند شناسایی آریتمی را شتاب بخشد و دقت تشخیص را ارتقا دهد. در این پژوهش یک چارچوب خودکار مبتنی بر ادغام شبکه کانولوشنی (CNN) و شبکه بازگشتی حافظه کوتاه مدت (LSTM) برای تمایز ریتم سینوسی، طبیعی، بلوک شاخه ای چپ (LBBB)، بلوک شاخه ای راست (RBBB)، انقباض زودرس دهلیزی (APB) و انقباض زودرس بطنی (PVC) در سیگنال های ECG ارائه شده است. نقطه تمایز این روش بهره گیری از برش های ECG با طول نامساوی از مجموعه داده MIT-BIH Arrhythmia Database است. سامانه توسعه یافته در پردازش داده های طول متغیر کارایی مطلوبی از خود نشان داد و با به کارگیری روش اعتبارسنجی متقاطع ده تایی به دقت ۹۸.۱۰٪، حساسیت ۹۷.۵۰٪ و ویژگی ۹۸.۷۰٪ دست یافت. این مدل می تواند پزشکان را در پایش دقیق آریتمی های شایع طی غربالگری های ECG یاری رساند.

کلیدواژه ها:

ناهنجاری هدایت ، قلبی الکتروکاردیوگرام ، شبکه کانولوشنی ، شبکه حافظه کوتاه مدت ، حسگر زیستی پوشیدنی