عنوان

طراحی سیستم تشخیص ناهنجاری های جداری بطنی از روی سیگنال الکتروکاردیوگرام با بهره‌گیری از متد های یادگیری عمیق و پیاده‌سازی آن بر روی FPGA

پ۲۵۰۲۳

per

طراحی سیستم تشخیص ناهنجاری های جداری بطنی از روی سیگنال الکتروکاردیوگرام با بهره‌گیری از متد های یادگیری عمیق و پیاده‌سازی آن بر روی FPGA

حامد رشیدی

مهندسی برق و کامپیوتر

۱۴۰۰

۸۵ص.

سی دی

کارشناسی ارشد

مهندسی برق گرایش الکترونیک

۱۴۰۰/۰۶/۲۴

بیماری های قلبی یکی از شایع‌ترین علل تهدید کننده‌ی جان بشر است. از جمله بیماری های قلبی مادرزادی که تشخیص زود هنگام آن تاثیر به‌سزایی در فرایند درمان آن دارد، بیماری VSDیا ناهنجاری جداری بطنی نوزاد است. آنالیز سیگنال قلبی یکی از سریع‌ترین، کم‌هزینه‌ترین و دردسترس‌ترین روش های تشخیص بیماری های قلبی است که امروزه با پیشرفت فناوری در لوازم الکترونیکی قابل حمل نیز امکان ثبت و بررسی این سیگنال وجود دارد. رایج‌ترین روش تشخیص بیماری VSD استفاده از تصاویر اکوکاردیوگرافی است که دستگاه‌ها و متخصص های آن در همه‌جا در دسترس نیستند. بنابراین امکان تشخیص این بیماری (حتی به صورت پیش تشخیص) از روی سیگنال قلبی احتمال مرگ و میر نوزادان مبتلا به این بیماری را کاهش خواهد داد. در این پژوهش با در دسترس بودن سیگنال های قلبی نوزادان در دو گروه نرمال و مبتلا به VSD، در ابتدا اقدام به پیش پردازش داده‌ها و آماده‌سازی آن‌ها برای ورود به شبکه‌ی عصبی شد و سپس به پیاده‌سازی یک شبکه‌ی عصبی عمیق (DNN) با سعی بر استفاده از کمترین تعداد لایه‌ها و پارامتر های ممکن پرداخته شده است تا تشخیص سیگنال نرمال از سیگنال VSD را انجام دهد که نتیجه‌ی آن یک سیستم با دقت تشخیص 87/94٪ می‌باشد. در نهایت این شبکه بر روی FPGA (Zynq-7000) با سعی بر استفاده از کمترین تعداد منابع سخت‌افزاری (فقط LUT و DSP) پیاده‌سازی شده است و نتایج و عملکرد آن مورد مقایسه و بررسی قرار گرفته است.

Abstract:Heart disease is one of the most common life-threatening causes. VSD (Ventricular Septal Defect) is a Congenital heart disease that early detection of which has a beneficial effect on the treatment process. Cardiac signal (ECG) analysis is one of the fastest, cheapest and most accessible methods of diagnosing heart diseases, which today, with the advancement of technology in portable electronic wearable devices, it is possible to record and study this signal. The most common way to diagnose VSD is to use Echocardiographic images, the devices and specialists of which are not available everywhere. Therefore, the possibility of diagnosing this disease (even as a pre-diagnosis) from the ECG will reduce the probability of death of infants with this disease. In this study, with the availability of ECG signals of newborn infants in both normal and VSD groups, first the data were preprocessed and prepared to enter the neural network and then the implementation of an optimal deep neural network (DNN) with the least number of layers and possible parameters is presented to classify the normal signal from the VSD ones. Finally, the system accuracy was 94.87% and this network has been implemented on FPGA (Zynq-7000) by trying to use the least number of hardware resources (LUTs and DSPs only) and its results and performance have been compared and evaluated with the network trained in Python.

Design of a System to Detect Ventricular Septal Defects (VSD) from ECG Signal using Deep Learning Methods and its Hardware Implementation on FPGA

‏رشیدی،

‏حامد

تهيه کننده

فرونچی،‏

کریمیان خسروشاهی،

‏ جواد

‏ قادر

استاد راهنما

استاد مشاور

‏ تبریز