یک سیستم طبقه بندی مبتنی بر شبکه عصبی یادگیری عمیق برای تشخیص آریتمی از یک حسگر زیستی پوشیدنی کم مصرف

آریتمی یک اختلال هدایت قلبی است که با ضربان قلب نامنظم مشخص می شود. اختلالات در سیستم هدایت می تواند در سیگنال الکتروکاردیوگرافی (ECG) آشکار شود. با این حال، ارزیابی بصری سیگنال های ECG به دلیل دامنه بسیار کم می تواند چالش برانگیز و زمان بر باشد. اجرای یک سیستم خودکار در محیط بالینی به طور بالقوه می تواند به تسریع تشخیص آریتمی و بهبود دقت کمک کند. در این مقاله، ما یک سیستم خودکار با استفاده از ترکیبی از شبکه عصبی کانولوشن (CNN) و حافظه کوتاه مدت (LSTM) برای تشخیص ریتم طبیعی سینوسی، بلوک شاخه چپ (LBBB) ، بلوک شاخه سمت راست (RBBB) پیشنهاد می کنیم. ضربان زودرس دهلیزی (APB) و انقباض زودرس بطنی (PVC) در سیگنال های ECG. تازگی این کار این است که ما از بخش های ECG با طول متغیر از پایگاه داده بانک فیزیولوژی آریتمی استفاده کردیم. سیستم پیشنهادی عملکرد طبقه بندی بالایی را در مدیریت داده های با طول متغیر نشان داد که با استفاده از استراتژی اعتبارسنجی متقاطع ده برابری، به دقت ۹۸.۱۰ درصد، حساسیت ۹۷.۵۰ درصد و ویژگی ۹۸.۷۰ درصد دست یافت. مدل پیشنهادی ما می تواند به پزشکان در تشخیص دقیق آریتمی های رایج در غربالگری ECG کمک کند.

کلیدواژه ها:

اختلال هدایت قلبی ، سیگنال الکتروکاردیوگرافی ، شبکه عصبی کانولوشن ، شبکه عصبی حافظه کوتاه مدت ، حسگر زیستی پوشیدنی.