تشخیص سیگنال سالم و ناسالم قلبی بر مبنای یادگیری عمیق با استفاده از شبکه عصبی کانولوشن
الموضوعات :علیرضا نصرابادیان 1 , محمد امین نوش زاده 2 , مدیحا عباس زاده بارانی 3 , محمد مهدی مرادی 4
1 - دانشکده مهندسي برق، دانشگاه شهید چمران، کرمان، ايران
2 - گروه مهندسی برق - واحد کرمان، دانشگاه شهید باهنر، کرمان، ايران
3 - دانشکده مهندسي برق، واحد علوم تحقیقات تهران، دانشگاه آزاد اسلامی، تهران، ايران
4 - دانشکده فنی شهید چمران کرمان
الکلمات المفتاحية: سیگنال الکتروکاردیوگرام , یادگیری عمیق, سیگنال قلبی سالم و نا سالم.,
ملخص المقالة :
طبق اظهارات سازمان جهانی، مهمترین عامل تهدید کننده انسان آریتمی های قلبی می باشند. بر طبق آخرین آمار جهانی بهداشت نزدیک به 50% موارد مرگ و میر بر اثر عاضه های قلبی می باشند. بر اساس تحقیقات 25% موارد مرگ و میر بر اثر بیماری های قلبی، با تشخیص به موقع و صحیح قابل احیا می باشند. سیگنال الکتروکاردیوگرام مهمترین و وابسته ترین سیگنال وابسته به قلب می باشد. ثبت این سیگنال کم هزینه و و ثمر بخش می باشد و در تشخیص آریتمی ها بسیار توانمند است. استخراج ویژگی ها مهمترین قسمت برای تشخیص و پردازش می باشند. ویژگی های عمیق بر مبنای شبکه عصبی کانولوشن بسیار توانمند بوده و بادون دخالت دست انجام می شود. در این مقاله با استفاده از یادگیری عمیق بر مبنای شبکه عصبی کانولوشن ویژگی های عمیق استخراج می شوند. سپس نتایج طبقه بندی با صحت متوسط 99.3% و حساسیت متوسط 99.1% با اعتبارسنجی متقابل 10 برابری محاسبه شده است. با توجه به نتایج بدست آمده میتوان گفت که روش پیشنهادی، توانایی طبقه بندی آریتمی های قلببی را با صحت قابل قبول دارا می باشد.
[1] Eduardo Jose da S. Luza, William Robson Schwartzb, Guillermo Cámara-Cháveza, David MenottiacECG- based heartbeat classification for arrhythmia detection: a survey,journal of Computer Methods and Programs in Biomedicine, 127 (April 2016), pp. 144-164.
[2]G. Sannino, G. De Pietro, A deep learning approach for ECG-based heartbeat classification for arrhythmia detection, journal of Future Generation Computer Systems ELSEVIER (2018), pp. 446-455.
[3]Shalin Savalia, Vahid Emamian, Cardiac arrhythmia classification by multi-layer perceptron and convolution neural networks, MPDIbioeng., 5 (2018).
[4]G. Smaoui, A. Young, M. Abid, Single scale CWT algorithm for ECG beat detection for a portable monitoring system, J. Med. Biol.Eng, 37 (1) (2017), pp. 132-139.
[5]S.H. Jambukia, V.K. Dabhi, H.B. Prajapati, Classification of ECG signals using machine learning techniques: a survey, International Conference on Advances in Computer Engineering and Applications, IEEE (2015), pp. 714-721.
[6]M. Alfaras, M.C. Soriano, S. Ortín, A fast machine learning model for ECG-based heartbeat classification and arrhythmia detection, Front. Physiol., 7 (2019), p. 103
[7]M. Padmanabhan, P. Yuan, G. Chada, H.V. Nguyen, Physician-friendly machine learning: a case study with cardiovascular disease risk, prediction, J. Clin. Med., 8 (2019), p. 1050.
[8]A. H, M.H. Ribeiro, G.M.M. Paixão, et al., Automatic diagnosis of the 12-lead ECG using a deep neural network,Nat. Commun., 11 (2020), p. 1760.
[9]Bhekumuzi M. Mathunjwa, Yin-Tsong Lin, Chien-Hung Lin, ECG recurrence plot-based arrhythmia classification using two-dimensional deep residual CNN features, Sensors, 22 (2022), p. 1660.
[10]Sraitih Mohamed, Younes Jabrane, Amir Hajjam El Hassani, An automated system for ECG arrhythmia detection using machine learning techniques, J. Clin. Med., 10 (2021), p. 5450.
[11]Wusat Ullah, Imran Siddique, Rana Muhammad Zulqarnain, Classification of arrhythmia in heartbeat detection using deep learning, Hindawi , Computational Intelligence and Neuroscience (2021), p. 13. [12]Saira Aziz, Sajid Ahmed, Mohamed-Slim Alouini, ECG-based machine-learning algorithms for heartbeat classification, Sci. Rep., 11 (2021), Article 18738.
[13]Mengze Wu, Yongdi Lu, Wenli Yang and Shen Yuong Wong , “A study on arrhythmia via ECG signal classification using the convolutional neural network “,Front. Comput. Neurosci. 14.
[14]Fajr Ibrahem Alarsan, Mamoon Younes, Analysis and classification of heart diseases using heartbeat features and machine learning algorithms, J. Big Data (2019), 10.1186.
[15] Moradi, M., Fatehi, M., Masoumi, H., Taghizadeh, M. Deep neural network method for classification of sleep stages using spectrogram of signal based on transfer learning with different domain data. Scientia Iranica, 2022; 29(4): 1898-1903.
[16] Moradi, M., Fatehi, M., Masoumi, H., Taghizadeh, M. Deep Learning Method for Sleep Stages Classification by Time-Frequency Image. Signal Processing and Renewable Energy, 2021; 5(3): 67-83.
[17] Moradi MM, Fatehi MH, Masoumi H, Taghizadeh M. Adaptive neuro-fuzzy method for sleep stages detection by PPG signal. Journal of Advanced Pharmacy Education & Research| Jan-Mar. 2020; 10(S1).
