عنوان

یک شبکه عصبی پیچشی برای طبقه بندی آریتمی بر اساس ECG

شماره

پ۲۷۰۶۶

زبان متن نوشتاري يا گفتاري و مانند آن

per

عنوان اصلي

یک شبکه عصبی پیچشی برای طبقه بندی آریتمی بر اساس ECG

نام نخستين پديدآور

سعید امینی باغبادرانی

نام ناشر، پخش کننده و غيره

مهندسی مکانیک

تاریخ نشرو بخش و غیره

۱۴۰۱

نام خاص و کميت اثر

۹۱ص.

مواد همراه اثر

سی دی

جزئيات پايان نامه و نوع درجه آن

کارشناسی ارشد

نظم درجات

مهندسی مکانیک مکاترونیک

زمان اعطا مدرک

۱۴۰۱/۰۶/۱۹

متن يادداشت

بیماري¬هاي قلبی یکی از علل اصلی مرگ و میر در دنیا هستند. در جهان هر ساله بالغ بر 30درصد از مرگ و میرها ناشی از بیماری¬های قلبی است. اما با تشخیص زودهنگام و به موقع، این بیماري ها قابل پیشگیري و درمان هستند و از مرگ چندین هزار نفر می¬توان جلوگیري کرد. الکتروکاردیوگرام (ECG) یک آزمایش استاندارد است که به طور گسترده برای نظارت بر عملکرد سیستم قلبی عروقی استفاده می¬شود. بسیاری از ناهنجاری¬های قلبی، از جمله آریتمی، که به معنای ریتم غیرطبیعی قلب است، می¬تواند با سیگنال ECG آشکار شود. بر اساس استاندارد AAMI EC57، ضربان¬های قلب را می¬توان به پنج دسته تقسیم کرد که عبارتند از: ضربان غیر نابجا، ضربان نابجای فوق بطنی، ضربان نابجای بطنی، فیوژن و ضربان ناشناخته. روش عمومی برای تشخیص این آریتمی¬ها، مشاهده و تشخیص پزشک متخصص از روی تغییرات غیرعادی سیگنال ECG است. اما این حالت با خطای زیاد همراه است که می¬تواند ناشی از خستگی پزشک، تخصص ناکافی او، نویز و ... باشد و در صورت تشخیص نادرست تبعات جبران ناپذیری را ممکن است به همراه داشته باشد. ازاین رو، تقریباً در چهار دهه گذشته روش¬های تشخیص به کمک رایانه (CAD) مورد توجه قرار گرفته¬اند، تا به کمک پزشک آمده و خطاهای تشخیصی کاهش یابند. پیش ازاین، محققان روش¬های CAD مبتنی بر اصول و روش¬های ریاضیاتی و آماری را استفاده می¬کردند، اما با پیشرفت علوم کامپیوتری، توسعه¬های سخت افزاری و پیداش یادگیری ماشین، به این الگوریتم¬های یادگیری ماشین روی آوردند. اما همگی این¬ها مشکلات، پیچیدگی¬ها و مراحل محاسباتی زیادی مانند استخراج ویژگی و انتخاب ویژگی را به همراه داشتند و در بسیاری از موارد دقت مناسبی ارائه نمی¬کردند.به منظور برطرف ساختن مشکلات ناشی از سیستم¬های CAD معمولی و سنتی، در این پژوهش یک شبکه عصبی پیچشی (CNN) یک بعدی ارائه شده است که با استفاده از پایگاه داده آریتمی MIT-BIH آموزش دیده و مورد ارزیابی قرار گرفته است. این مدل عملکرد بسیار مطلوبی را در طبقه‌بندی ضربان‌های قلب و آریتمی نشان می‌دهد. پارامترهای ارزیابی صحت، ویژگی و حساسیت کلی بدست آمده از این مدل به ترتیب 03/98، 77/98 و 08/95 درصد است. مزایای اصلی رویکرد پیشنهاد شده، ساده‌سازی فرآیندهای پیش¬پردازش، استخراج ویژگی و انتخاب ویژگی¬های مربوط به آریتمی‌های قلبی مختلف و حذف نیاز به استفاده از تخصص انسانی برای تعریف ویژگی‌های مناسب و حیاتی از روی مجموعه بزرگ داده‌های سری زمانی است.

متن يادداشت

Cardiovascular diseases are one of the main causes of mortality worldwide. Every year, more than 30% of deaths are caused by heart diseases, globally. Early and effective detection of arrhythmia can play a great role in decreasing the mortality caused by cardiovascular diseases. Electrocardiogram (ECG) is a standard test that is widely used to monitor the functionality of the cardiovascular system. Many cardiac abnormalities, including arrhythmia which means abnormal heart rhythm, can be manifested by ECG signal. According to the AAMI EC57 standard, heartbeats can be sub-divided into five categories namely non-ectopic, supraventricular ectopic, ventricular ectopic, fusion, and unknown beats. The general method for detecting these arrhythmias is to observe and diagnose by a clinician based on abnormal changes in the ECG morphology. However, this approach is prone to a lot of misdiagnosis, which can be caused by the fatigue, insufficient expertise, noise, etc., and can be followed by irreparable consequences. Therefore, in the last four decades, computer-aided diagnosis (CAD) systems have been given attention to help specialists and to reduce diagnostic errors. Formerly, researchers used to use CAD systems which were based on mathematical and statistical principles and methods. However, the advances in computer science, hardware developments and the discovery of machine learning, they started to use machine learning algorithms. Using these traditional methods caused many problems, complications and computational steps such as feature extraction and feature selection and did not provide proper accuracy in different areas.In order to solve the problems caused by conventional and traditional CAD systems, we present an end-to-end 1-dimensional convolutional neural network (CNN) that is trained and evaluated on MIT-BIH Arrhythmia Database and shows a great performance in classifying the heartbeats. We achieve the overall accuracy, specificity, and sensitivity of 98.03%, 98.77% and 95.08%, respectively. The main advantages of our proposed approach are simplifying the feature extraction process corresponding to different cardiac arrhythmias and to removing the need for using a human expert to define appropriate and critical features working with a large time-series dataset

عنوان گونه گون

A Convolutional Neural Network for ECG-based Arrhythmia Classification

عنصر شناسه اي

‏امینی باغبادرانی،

ساير عناصر نام

‏‏سعید

کد نقش

تهيه کننده

عنصر شناسه اي

‏کوهستانی،

عنصر شناسه اي

‏سرباز،

ساير عناصر نام

‏‏بهروز

ساير عناصر نام

‏یاشار

تاريخ

استاد راهنما

تاريخ

استاد مشاور

عنصر شناسه اي

‏ تبریز