تشخیص آریتمی فیبریلاسیون دهلیزی با استفاده از LSTMو CNN

آریتمی فیبریلاسیون دهلیزی یکی از خطرناک ترین بیماری های قلبی است که با تشخیص درست و به موقع آن می توان از بروز سکته های مغزی و قلبی جلوگیری کرد. برای بالا بردن سرعت تشخیص و همچنین کم کردن احتمال خطای پزشکی مسئله ی تشخیص خودکار این نوع آریتمی مطرح می شود. در برخی از پژوهش ها برای تشخیص آن از روش های کلاسیک یادگیری ماشین استفاده شده است ولی به علت دشوار بودن تشخیص این آریتمی و وابستگی آن به بررسی چندین ضربان متوالی، استفاده از یادگیری عمیق دقت بالاتری در تشخیص نهایی دارد. بنابراین در این مقاله یک رویکرد مبتنی بر استفاده از شبکه یادگیری عمیق با ترکیب شبکه های LSTM وCNN پیشنهاد شده است. در این پژوهش با فیلتر میانه ای و یک مرحله میانگین گیری از سیگنال، نویز سرگردان خط مبنا و نویز ناشی از حرکت عضلات حذف شده و باعث بهبود سیگنال به نویز به اندازه ۲۹/۸ دسیبل شده است. بهم ریختگی فاصله RR درسیگنال ECG یکی از بارزترین ویژگی های آریتمی فیبریلاسیون دهلیزی است، لذا با هدف کاهش پیچیدگی محاسباتی رویکرد پیشنهادی، فاصله RR به جای کل نمونه های سیگنال الکتروکاردیوگرام به عنوان داده ورودی شبکه درنظر گرفته شده است. برای تشخیص R از یک روش مبتنی بر الگوریتمPan-Tompkins با اعمال تغییراتی برای بهبود انطباق پذیری استفاده شده است. ارزیابی رویکرد پیشنهادی روی دو پایگاه Challenge ۲۰۱۷ و MIT-BIH AFDB انجام شده و صحبت به صورت بین-بیمار به ترتیب ۹۷% و ۹۰% بدست آمده است.

کلیدواژه ها:

: آریتمی فیبریلاسیون دهلیزی ، حذف نویز ، یادگیری عمیق ، تشخیص خودکار ، شبکه عصبی پیچشی ، شبکه حافظه کوتاه مدت طولانی