شماره ركورد كنفرانس :
5466
عنوان مقاله :
طبقه بندي سيگنال هاي قلبي توسط شبكه هاي عصبي convolutional و SqueezeNet
پديدآورندگان :
مولوي عربشاهي سيده محبوبه molavi@iust.ac.ir دانشگاه علم و صنعت ايران،تهران،ايران , معاون فاطمه moaven_fatemeh79@mathdep.iust.ac.ir دانشگاه علم و صنعت ايران،تهران،ايران
كليدواژه :
سيگنال الكتروكارديوگرافي (ECG) , داده كاوي , شبكه عصبي , طبقه بندي , يادگيري عميق , آريتمي قلبي (ARR) , نارسايي احتقاني قلب (CHF) , ريتم سينوسي طبيعي (NSR)
عنوان كنفرانس :
پنجمين كنفرانس ملي انفورماتيك ايران
چكيده فارسي :
در اين تحقيق، از شبكه عصبي كانولوشنال و شبكه عصبي SqueezeNet براي طبقهبندي سيگنالهاي قلبي استفاده شده است. از ۱۶۲ ضبط ECG استفاده شده است. اين ضبطها شامل ۹۶ ضبط از افراد مبتلا به آريتمي، ۳۰ ضبط از افراد مبتلا به نارسايي احتقاني قلب و ۳۶ ضبط از افراد با ريتم طبيعي سينوسي است. هدف اين تحقيق، تمايز بين ARR (آريتمي)، CHF (نارسايي احتقاني قلب) و NSR (ريتم طبيعي سينوسي) است. تحقيق حاكي از اهميت استفاده از تحليل سيگنال ضربان قلب براي تشخيص زودهنگام بيماريهاي قلبي است. اين روش ميتواند در تشخيص و درمان به موقع اين بيماريها مفيد باشد و از خطرات و امكان عدم دقت تشخيص توسط پزشكان كاسته شود. نمونهها به عنوان ورودي به شبكههاي عصبي داده شدهاند و نتايج اين دو شبكه عصبي با يكديگر مقايسه شده است. نتايج نشان ميدهد كه شبكه عصبي SqueezeNet دقت ۹۵.۶۵٪ و شبكه عصبي كانولوشنال دقت ۹۲.۵۰٪ در طبقهبندي سيگنالهاي قلبي دارند.
