تشخیص آریتمی های قلبی مبتنی بر ویژگی های عمیق بهینه شده
الموضوعات :
نگار جنتی
1
,
مهدی تقی زاده
2
,
امید مهدی یار
3
,
بابک غلامی
4
1 - دانشکده فنی مهندسی - واحد کازرون، دانشگاه آزاد اسلامی، کازرون، ايران
2 - دانشکده فنی مهندسی - واحد کازرون، دانشگاه آزاد اسلامی، کازرون، ايران
3 - دانشکده فنی مهندسی - واحد کازرون، دانشگاه آزاد اسلامی، کازرون، ايران
4 - گروه برق - واحد کازرون، دانشگاه آزاد اسلامی، کازرون، ايران
الکلمات المفتاحية: سیگنال ECG, آریتمی های قلبی, SVM, شبکه عصبی,
ملخص المقالة :
براساس گزارش سازمان بهداشت جهانی بیماری های قلبی امروزه مهمترین عامل تهدید کننده زندگی انسان به حساب میآیند. بیماریهای قلبی عروقی نخستین علت مرگ و میر بیماری در دنیا هستند و طبق آخرین گزارشات 46% موارد مرگ و میر را به خود اختصاص داده اند. به طور متوسط روزانه 200 نفر در اثر بیماری قلبی جان خود را از دست میدهند در حالی که 25% موارد، قابل احیا و برگشت پذیر میباشند. تشخیص سریع، به موقع و دقیق و مراقبت ویژه پزشکی از بیماران مبتلا به این امراض میتواند تا حد زیادی از مرگ ناگهانی و مشکلات بیشتر آنها جلوگیری نماید. با توجه به اینکه ثبت نوار قلب (الکتروکاردیوگرام) روشی آسان، کم هزینه و در عین حال بسیار ثمربخش است، استفاده از الکتروکاردیوگرام و آشنایی با اصول کار، شناخت و تفسیر آن ما را در تشخیص بسیار کمک می کند. سیگنال الکتروکاردیوگرافی مهمترین و اصلی ترین سیگنال وابسته به قلب بوده و دارای پیچیدگی کم در ثبت و پردازش میباشد و برای تشخیص بسیاری از عارضه های قلبی مورد استفاده قرار میگیرد. در این مقاله برای تفکیک و طبقه بندی آریتمیهای قلبی از یادگیری عمیق استفاده شده که با استفاده از انتخاب ویژگی و روش وزن دهی TFCRF، 10 ویژگی عمیق استخراج شده و به عنوان ورودی وارد طبقه بندی کننده میشود و طبقه بندی کننده شبکه عصبی با درصد86/99 به عنوان طبقه بندی کننده برتر انتخاب شده است و آریتمیها را با دقت خوبی از هم تفکیک میکند.
[1] R.J. Martis, U. Rajendra Acharya and C.M. Lim, “ECG Beat Classification Using PCA, LDA, ICA and Discrete Wavelet Transform”, Biomedical Signal Processing and Control, vol. 8, pp. 437-448, 2013.
[2] U.R. Acharya, H. Fujita, V.K. Sudarshan, S.L. Oh, M. Adam, and J.E.W. Koh, “Automated detection and localization of myocardial infarction using electrocardiogram: A comparative study of different leads”, Knowledge-Based Systems, vol. 99, pp. 146-156, 2016.
[3] A. Lal, P. Kumar and S. Halder, “Heartbeat Classification Based on Deep Convolutional Neural Network”, 2023 International Conference on Networking and Communications (ICNWC), Chennai, India, 2023, pp. 1-4, doi: 10.1109/ICNWC57852.2023.10127341.
[4] E.D. Beyli, “Combining recurrent neural networks with eigenvector methods for classification of ECG beats”, Digital Signal Processing, vol. 19, issue 2, pp. 320–329, 2009.
[5] S. Chauhan and L. Vig, “Anomaly detection in ECG time signals via deep long short-term memory networks”, 2015 IEEE International Conference on Data Science and Advanced Analytics (DSAA), Paris, France, 2015, pp. 1-7, doi: 10.1109/DSAA.2015.7344872.
[6] M.K. Das, S. Ari, “ECG Beats Classification Using Mixture of Features”, International Scholarly Research Notices, vol. 2014, p. 14, 2019.
[7] C. Chen, Y. Lin, S. Lee, W. Tsai, T. Huang, Y. Liu, M. Cheng, C. Dai, “Automated ECG classification based on 1D deep learning network Methods”, Methods, vol. 202, pp. 127-135, Jun 2022.
[8] N. Ö. Özcan and F. Gürgen, "Fuzzy Support Vector Machines for ECG Arrhythmia Detection," 2010 20th International Conference on Pattern Recognition, Istanbul, Turkey, 2010, pp. 2973-2976, doi: 10.1109/ICPR.2010.728.
[9] R.D. Labati, E. Munoz, V. Piuri and R. Sassi, “Deep-ECG: Convolultional Neural Networks for ECG biometric recognition”, Pattern Recognition Letters, vol. 126, pp. 78-85, Sep. 2019.
[10] A. Sellami, H. Hwang, “A robust deep convolutional neural network with batch-weighted loss for heartbeat
classification”, Expert Systems with Applications, Vol. 122, pp. 75–84, May 2019.
[11] J. Park, K. Lee and K. Kang, “Arrhythmia detection from heartbeat using k-nearest neighbor classifier”, 2013 IEEE International Conference on Bioinformatics and Biomedicine, Shanghai, China, 2013, pp. 15-22, doi: 10.1109/BIBM.2013.6732594.
[12] P. Pławiak, “Novel Genetic Ensembles of Classifiers Applied to Myocardium Dysfunction Recognition Basedon ECG Signals”, Swarm and Evolutionary Computation, vol. 39, pp. 192-208, April 2018.
[13] Ö. Yildirim, “A novel wavelet sequences based on deep bidirectional LSTM network model for ECG signalclassification”, Computers in Biology and Medicine, vol. 96, pp. 189-202, May 2018.
