سیگنال های الکتروکاردیوگرام

بیماری های قلبی عروقی از مهمترین علل مرگ و میر در جهان به شمار می روند و آریتمی های قلبی به عنوان یکی از شایع ترین اختلالات ریتم قلب تهدیدی جدی برای سلام ت انسان محسوب می شوند. روش های سنتی تشخیص آریتمی که مبتنی بر تفسیر دستی سیگنال های الکتروکاردیوگرام، هستند با محدودیت هایی نظیر زمان بر بودن و وابستگی به تخصص پزشک مواجه اند. در این پژوهش با هدف ارتقای دقت و شفافیت تشخیص مدلی ترکیبی بر پایه ی شبکه های عصبی کانولوشنی و سیستم های عصبی فازی ارائه شده است. در این معماری یکپارچه ابتدا ویژگی های موثر زمانی و مورفولوژیکی توسط لایه های کانولوشن از سیگنال خام استخراج شده و سپس توسط یک سیستم استنتاج فازی طبقه بندی می شوند. داده های مورد استفاده از پایگاه استاندارد MIT BIH انتخاب شدند. نتایج ارزیابی نشان می دهد که روش پیشنهادی با دستیابی به دقت ۹۸ و امتیاز F۱ میانگین ۰.۸۹ در مقایسه با رویکردهای سنتی و مدل های مرجع، عملکرد بهتری در تشخیص انواع مختلف آریتمی دارد.

کلیدواژه ها:

آریتمی قلبی ، سیگنال ECG ، یادگیری عمیق ، شبکه عصبی کانولوشنی ، سیستم های عصبی-فازی