خودکدکننده تنک مبتنی بر شبکه های حافظه کوتاه مدت ماندگار برای بازنمایی قابل تفسیر سیگنال های قلب یک نمونه اولیه و ارزیابی پایه

استخراج ویژگی های معنادار پایدار و قابل تفسیر از سیگنال های الکتروکاردیوگرام یکی از چالش های بنیادین در توسعه سیستم های هوشمند پایش سلامت و تشخیص آریتمی قلبی است. اگرچه شبکه های عصبی عمیق به دقت های بالایی در دسته بندی سیگنال ها دست یافته اند، اما ماهیت جعبه سیاه آنها مانع از پذیرش و اعتماد گسترده در کاربردهای حساس بالینی می شود. به منظور غلبه بر این محدودیت پژوهش حاضر یک چارچوب مهندسی شده را توسعه و ارزیابی می نماید. در این معماری از لایه های بازگشتی با ظرفیت بالا جهت مدل سازی دینامیک پیچیده زمانی استفاده شده است. مدل پیشنهادی با بهره گیری از تکنیک استانداردسازی Z-Score در فاز پیش پردازش و یک تابع هزینه ترکیبی مجهز به قید تنک سازی مبتنی بر واگرایی، کولیک لایبلر بر روی رکوردهای پایگاه داده مرجع MIT-BIH آموزش دیده است. نتایج آزمایشگاهی ثابت می کند که این معماری با غلبه بر چالش های بهینه سازی و فرار از کمینه های محلی، موفق به حفظ وفاداری کامل در بازسازی دقیق مورفولوژی، سیگنال به ویژه حفظ دامنه و تیزی کمپلکس QRS شده است. به طور همزمان اعمال دقیق قید تنک بودن منجر به شکل گیری یک فضای پنهان به شدت تنگ گردیده است که در آن، شبکه توالی های زمانی پیچیده را تنها با فعال سازی درصد بسیار ناچیزی از نورون ها رمزگشایی می کند. این رویکرد نوآورانه ضمن کاهش چشمگیر افزونگی اطلاعات بینش روشنی از الگوهای نهفته قلبی ارائه داده و با ارتقای سطح تفسیرپذیری قابلیت اطمینان سیستم های تشخیصی مبتنی بر هوش مصنوعی را در محیط های واقعی افزایش می دهد.

کلیدواژه ها:

الکتروکاردیوگرام ، خود کد کننده تنک ، شبکه های حافظه کوتاه مدت ماندگار ، تفسیر پذیری ، اگرایی کولیک لایبلر