طبقه بندی ضربان قلب با استفاده از سیگنال ECG و شبکه های عصبی کانولوشنال

داده های الکتروکاردیوگرام (ECG) ثبت شده توسط مانیتورهای هولتر تحلیل بسیار دشواری دارند. بنابراین لازم است تا هر ضربان قلب به طور خودکار با استفاده از روش های نرم افزاری تجزیه وتحلیل و دسته بندی شود. از آنجا که شبکه های عصبی کانولوشنی (CNN) می توانند سیگنال های ECG را بدون نیاز به استخراج دستی ویژگی های جزئی به طور خودکار طبقه بندی کنند، توجه گسترده ای را به خود جلب کرده اند. با این حال انتظار می رود که بهبود طبقه بندی کننده های CNN موجود ممکن است دقت کلی، حساسیت، پیش بینی مثبت و غیره را بهبود بخشد. در این مطالعه، ما یک روش طبقه بندی ضربان قلب ECG مبتنی بر CNN را پیشنهاد کردیم. بر اساس پایگاه داده آریتمی MIT BIH، روش پیشنهادی ما به حساسیت ۹۹.۲% و پیش بینی مثبت ۹۹.۴% در تشخیص VEB (ضربان نابجا بطنی؛ حساسیت ۹۷.۵ و پیش بینی مثبت ۹۹.۱% در تشخیص SVEB (ضربان نابجا فوق بطنی) و دقت کلی ۹۹.۴۳% دست یافت. سیستم پیشنهادی ما می تواند مستقیما روی دستگاه های پوشیدنی برای نظارت بر داده های ECG بلندمدت پیاده سازی شود.

کلیدواژه ها:

ضربان قلب ، هولتر ، شبکه های عصبی کانولوشنی ، پایگاه داده آریتمی MIT-BIH ، سیگنال های الکتروکاردیوگرام