عنوان

مدل ترکیبی یادگیری عمیق برای دسته بندی آریتمی سیگنال های نوار قلبی

شماره

پ۲۶۰۱۷

زبان متن نوشتاري يا گفتاري و مانند آن

per

عنوان اصلي

مدل ترکیبی یادگیری عمیق برای دسته بندی آریتمی سیگنال های نوار قلبی

نام نخستين پديدآور

علیرضا رشیدی لاله

نام ناشر، پخش کننده و غيره

مهندسی برق وکامپیوتر

تاریخ نشرو بخش و غیره

۱۴۰۰

نام خاص و کميت اثر

۱۷۴ص.

مواد همراه اثر

سی دی

جزئيات پايان نامه و نوع درجه آن

کارشناسی ارشد

نظم درجات

مهندسی کامپیوتر گرایش هوش

زمان اعطا مدرک

۱۴۰۰/۱۱/۱۹

متن يادداشت

همه ساله آریتمی¬های قلبی، جان هزاران نفر را در سراسر جهان می¬گیرد. نرخ بالای مرگ و میرهای ناشی از آریتمی-های قلبی باعث می¬شود که تشخیص به¬موقع و شروع سریع درمان آن¬ها، اهمیت پیدا کند. یکی از بهترین ابزارهای تشخیص آریتمی¬های قلبی، استفاده از نوار قلبی می¬باشد. نوار قلبی مجموعه¬ای از مقادیر سیگنال¬ها به¬صورت سری-زمانی است که یک ابزار نظارت و پایش سلامت محسوب می¬شود. با این حال، تشخیص دستی آریتمی¬ها از روی نوار قلبی نیاز به تجربه فراوان داشته و حتی متخصصان قلب حاذق نیز گاهی در تشخیص دچار خطا می¬شوند. لذا، امروزه وجود یک سیستم تشخیص خودکار آریتمی¬های قلبی بیش از پیش احساس می¬شود.سال¬های پیش، مدل¬های یادگیری ماشین، تحلیل و بررسی نوار قلبی را از روی ویژگی¬های دست¬ساز انجام می¬دادند. در این سیستم¬ها یک متخصص دامنه بایستی ویژگی¬های مختص سیگنال¬های نوار قلبی متعلق به آن مجموعه داده را در یک پروسه¬ای زمان¬بر استخراج می¬کرد. این امر به¬نوبه خود، مشکلاتی مانند ناهماهنگی در ویژگی¬های استخراج شده به¬دلیل تنوع موجود در سیگنال¬های نوار قلبی را ایجاد می¬کرد. برای حل این مشکل، مدل¬های مبتنی بر یادگیری عمیق به¬عنوان یک ابزار قدرتمند برای استخراج خودکار ویژگی¬ها پیشنهاد شدند. اکثر این مدل¬ها، تنها روی سیگنال¬های نوار قلبی پیش¬پردازش شده فرآیند یادگیری را انجام می¬دادند و در کنار آن از هیچ نوع داده دیگری بهره نمی¬بردند. این امر باعث می¬شد ویژگی¬های تعیین کننده آریتمی¬های قلبی به¬طور کامل استخراج و آموخته نشوند. لذا، لزوم طراحی سیستمی که بتواند علاوه بر سیگنال¬های نوار قلبی، از داده¬های ورودی دیگری نیز در فرآیند آموزش و تشخیص آریتمی¬های قلبی بهره برده و موجب افزایش دقت سیستم گردد؛ بیش از پیش احساس می¬شود.ما در این پژوهش، مدل ترکیبی جدیدی مبتنی بر یادگیری عمیق برای دسته¬بندی آریتمی¬های قلبی ارائه داده¬ایم. سیستم پیشنهادی ما، یک شبکه متشکل از سه مدل یادگیری عمیق با داده¬های ورودی مختلفی می¬باشد که هر کدام از این مدل¬ها می¬توانند ویژگی¬های مفید و مؤثری را از روی داده¬های ورودی مخصوص به خود استخراج کنند. ویژگی¬های استخراج شده توسط هر یک از مدل¬ها، با هم ترکیب می¬شوند تا سیستم پیشنهادی بتواند به¬خوبی آریتمی¬های قلبی را تشخیص دهد. نتایج تجربی نشان می¬دهد که سیستم پیشنهادی با به¬دست آوردن امتیاز 9561/0 برای معیار ارزیابی ناحیه زیر منحنی و امتیاز 9001/0 برای معیار ارزیابی Fmax بر روی مجموعه داده PTB-XL قادر به تشخیص آریتمی¬های قلبی می¬باشد. همچنین، سیستم پیشنهادی برای هر رکورد نوار قلبی، در مدت زمان 16 میلی¬ثانیه قادر به تشخیص آریتمی است. از این رو، سیستم پیشنهادی به¬صورت بلادرنگ محسوب شده و می¬تواند به¬عنوان کمک¬یار مناسب در بیمارستان-ها جهت تشخیص بیماری در مراحل ابتدایی به پزشکان یاری رساند. این سیستم علاوه بر کاهش خطای تشخیص انسانی، می¬تواند با زمینه¬سازی درمان به موقع، موجب کاهش مرگ و میر انسان¬ها نیز گردد

متن يادداشت

Cardiac arrhythmias cause the death of thousands of people around the globe every year. Due to the high death toll of cardiac arrhythmias, the significance of early diagnosis and the immediate start of treatment is vital. ECG is one of the best tools for diagnosing cardiac arrhythmias. In principle, ECG is a set of time-series signals as a means of monitoring health. However, manual diagnosis of arrhythmias from ECG requires an abundance of experience, and even a skilled cardiologist can sometimes make the wrong diagnosis. Therefore, automatic cardiac arrhythmia detection system is essential, nowadays.In the past, machine learning models performed ECG analysis based on hand-crafted features. In these systems, a domain specialist had to extract specific properties from ECG signals, unique to that specific dataset, in a time-consuming manner, which created inconsistencies in the extracted features due to the variation in ECG signals. To solve this issue, deep learning models were proposed as a powerful tool for automatic feature extraction. Most of these models performed the learning process only on the preprocessed ECG signals, without using any other sources. This prevented the full extraction of prominent and defining features of cardiac arrhythmias. Therefore, the need to design a system that can train and diagnose cardiac arrhythmias from other sources of data in addition to ECG signals to increase the system accuracy, has arisen more than ever.In this research, we propose a new ensemble model based on deep learning for the classification of cardiac arrhythmias. Our proposed system is a network consisting of three deep learning models with different input data, each of which can extract effective features from its own input data. The extracted features by each model are combined in order for the accurate detection of cardiac arrhythmias by our proposed system. Experimental results show that our proposed system by achieving AUC of 0.9561 as well as Fmax of 0.9001 on PTB-XL dataset, is able to detect cardiac arrhythmias. Furthermore, the proposed system can detect arrhythmias for each new ECG record in 16 milliseconds. Therefore, the proposed system is real-time and can help physicians to diagnose arrhythmias in the early stages as a suitable assistant in hospitals. In addition to reducing human diagnostic error, this system can reduce death toll by providing timely detection

عنوان گونه گون

Deep Learning Ensemble Model for Arrhythmia Classification of ECG Signals

عنصر شناسه اي

رشیدی لاله

ساير عناصر نام

‏ علیرضا

کد نقش

تهيه کننده

عنصر شناسه اي

‏تنها

عنصر شناسه اي

‏محمدخانلی

ساير عناصر نام

‏ جعفر

ساير عناصر نام

‏ لیلی

تاريخ

استاد راهنما

تاريخ

استاد مشاور

عنصر شناسه اي

‏ تبریز