شبیه سازی چندحسی سیگنال های قلبی و تنفسی با بیماری های مصنوعی جهت طبقه بندی با یادگیری ماشین

با گسترش کاربردهای یادگیری ماشین در تحلیل سیگنال های فیزیولوژیک، نیاز به داده های چندکلاسه واقعی و قابل تکرار بیش از پیش احساس می شود. همچنین از چالش های حیاتی در حوزه مهندسی پزشکی و علوم زیستی، تشخیص اختلالات قلبی و تنفسی می باشد زیرا تشخیص به موقع این بیماری ها، دارای نقشی مهم در پیشگیری از پیشرفت بیماری و مدیریت مراقبت های بالینی دارد. از طرفی، تحلیل سیگنال های فیزیولوژیک همچون ECG و سیگنال های تنفسی توسط الگوریتم های یادگیری ماشین، باعث تشخیص خودکار و به موقع این بیماری ها می شود. با این حال از چالش های اصلی این حوزه کمبود داده های چندکلاسه واقعی با شرایط پاتولوژیک قابل کنترل و قابل تکرار می باشد. در این پژوهش، از ترکیب سیگنال های ECG و تنفس افراد سالم از دیتابیس Fantasia (PhysioNet) استفاده گردید و با ایجاد تغییرات فیزیولوژیکی، سه کلاس مصنوعی شامل سالم، تاکی کاردی و آپنه ایجاد شد. جهت آموزش و ارزیابی داده ها از یک شبکه عصبی کانولوشنی (CNN) با استفاده از ۵-Fold Cross-Validation استفاده شد. باتوجه به نتایج حاصل شده مدل توانست با میانگین دقت ۸۳.۵۶٪ بین کلاس ها تمایز ایجاد کند.

کلیدواژه ها:

سیگنال های چندحسی مصنوعی ، شبیه سازی ECG ، سیگنال های تنفسی ، شبیه سازی در MATLAB ، بیماری های مصنوعی ، طبقه بندی با یادگیری ماشین ، پردازش سیگنال های پزشکی