تشخیص خودکار آنومالی های الکتروکاردیوگرام با استفاده از معماری های یادگیری عمیق؛ یک مطالعه مقایسه ای

چکیده مقاله

بیماری های قلبی و عروقی به عنوان اصلی ترین علت مرگ و میر جهانی نیازمند سیستم های تشخیصی دقیق و سریع هستند نوار قلب الکتروکاردیوگرام مهم ترین ابزار غیرتهاجمی برای ارزیابی فعالیت الکتریکی قلب است اما تحلیل دستی آن زمان بر و مستعد خطای انسانی می باشد در این پژوهش یک سامانه جامع برای شناسایی خودکار ناهنجاری های نوار قلب با استفاده از الگوریتم های یادگیری عمیق ارائه شده است که قادر به تشخیص اختلالات ریتم قلبی با دقت بالا می باشد چهار معماری پیشرفته شامل شبکه های عصبی پیچشی، شبکه های حافظه بلندمدت، ترکیب این دو با مکانیزم توجه و معماری تبدیل کننده طراحی و مقایسه شدند مدل ها بر روی مجموعه داده MIT BIH شامل پنج دسته آریتمی ضربان، طبیعی، انقباض زودرس بطنی، انقباض زودرس دهلیزی، بلوک شاخه راست و بلوک شاخه چپ آموزش دیدند برای مدیریت عدم تعادل داده ها از روش های تولید داده مصنوعی و وزن دهی هوشمند استفاده شد نتایج حاصل از بررسی های میدانی ما بر روی ۲۰۰ نمونه نشان داد معماری ترکیبی با مکانیزم توجه با دقت ۹۸ ۷ درصد، حساسیت ۹۷ ۹ درصد و معیار F۱ وزنی ۹۸ ۷ درصد عملکرد برتری دارد این سامانه می تواند در سیستم های هشدار بیمارستانی، دستگاه های پوشیدنی پایش مداوم بیماران و ابزارهای کمک تشخیصی پزشکان مورد استفاده قرار گیرد و با کاهش بار کاری پرستاران و پزشکان و تشخیص زودهنگام آریتمی های خطرناک نقش موثری در کاهش مرگ و میر قلبی ایفا کند

کلیدواژه‌ها

نویسندگان

هانیه کارگر حسین

دانشکده پزشکی واحد یزد دانشگاه آزاد اسلامی یزد، ایران

حسین کارگر اعرافی

گروه کامپیوتر واحد میبد دانشگاه آزاد اسلامی میبد، ایران

کارگر حسین، هانیه و کارگر اعرافی، حسین،1404،تشخیص خودکار آنومالی های الکتروکاردیوگرام با استفاده از معماری های یادگیری عمیق؛ یک مطالعه مقایسه ای،کنفرانس هوش مصنوعی در اقتصادهای نوظهور و کسب وکارهای دیجیتال،یزد

ارائه‌شده در

مجموعه مقالات کنفرانس هوش مصنوعی در اقتصادهای نوظهور و کسب وکارهای دیجیتال21 آبان 1404 · یزد