داده افزایی گوسی نمونه های مرزی و انتخاب توزیع محور جهت بهبود دسته بندی آریتمی های قلبی با شبکه های عصبی عمیق

بیماری های قلبی یکی از شایع ترین انواع بیماری ها است که آمار بالایی از مرگ و میر را باعث می شود. آریتمی ها، ضربان های غیرطبیعی هستند، که موجب می شوند قلب خیلی سریع(تاکی کارد) یا خیلی آهسته(برادی کارد) کارکند و پمپاژ غیر موثر داشته باشد. وجود دیتاست های نامتوازن، تشخیص برخی از انواع آریتمی ها را باچالش مواجه می کند. هدف از این پژوهش ارائه راهکاری مبتنی بر داده افزایی برای شبکه های عمیق به منظور طبقه بندی آریتمی های با نمونه کم می باشد. بدین منظور جهت تقویت یادگیری عمیق در طبقه بندی سیگنال های قلبی-عروقی سازوکاری در نظر گرفته می شود تا نمونه های پر اهمیت تر اولیه انتخاب و داده افزایی های رایج سری های زمانی بر اساس آن ها انجام و نمونه های مصنوعی تولید شود. سپس این ارزیابی مجددا بر روی نمونه های مصنوعی تولید شده اعمال و با توزیع مناسب نمونه های ارزشمندتر انتخاب می شوند و جهت آموزش مدل یادگیر از نوع شبکه ی عمیق پیچشی استفاده می شوند. نتایج بدست آمده نشان می دهد مدل ارائه شده ضمن بهبود نتایج کلاس بندی در ۱۷ کلاس از داده های MIT-BIH و بخصوص آریتمی های با نمونه کم، توانسته است به صحت ۹۶.۹۲% در دسته بندی ۱۷ کلاس داده ی MIT-BIH با نرخ عدم توازن ۲۸.۳ دست یابد. روش ارائه شده می تواند در داده افزایی سایر داده های سری های زمانی دوره ای به کار رود.

کلیدواژه ها:

یادگیری عمیق ، داده افزایی ، الکتروکاردیوگرام ، سری های زمانی ، دسته بندی