تشخيص انواع ناهنجاري هاي قلبي با استفاده از يادگيري عميق مبتني بر هزينه

يكي از راه‌‌هاي تشخيص بيماري‌‌هاي ناشي از ناهنجاري‌‌هاي قلبي، بررسي سيگنال‌‌هاي الكتروكارديوگرام است. اين سيگنال‌‌ها به‌صورت سيگنال‌‌هاي پيوسته زماني هستند كه قبل از پردارش بايد به ضربان‌‌هاي قلب شكسته شوند. از آنجايي‌‌ سيگنال‌‌هاي قلبي در حجم زياد ذخيره مي‌‌شوند پردازش آنها توسط روش‌‌هاي معمول يادگيري ماشين دشوار است. همچنين مسئله تشخيص نوع ناهنجاري در سيگنال‌‌هاي الكتروكارديوگرام تنها يك مسئله دسته‌‌بندي چند رده‌اي نيست؛ بلكه با توجه به ماهيت مجموعه‌‌ داده‌‌هاي واقعي موجود، يك مسئله دسته‌‌بندي داده‌‌هاي نامتعادل است. در اين زمينه يك راه‌‌حل بالقوه، استفاده از راهكارهاي مبتني بر هزينه است كه ممكن است در سطح الگوريتم يا سطح داده پياده‌‌سازي شوند. در اين مقاله، يك مدل مبتني بر يادگيري عميق با استفاده از شبكه هم‌آميختي براي تشخيص نوع ناهنجاري قلبي ارائه شده است كه علاوه بر اعمال هزينه در سطح داده با استفاده از تابع ضرر مبتني بر هزينه در مرحله يادگيري، هزينه دسته‌‌بندي اشتباه را براي رده‌‌هاي داراي تعداد نمونه كمتر افزايش مي‌‌دهد. مدل پيشنهادي همچنين از يك روش بخش‌بندي ضربان قلب در مرحله پيش‌‌پردازش استفاده مي‌‌كند كه حاوي اطلاعات بيشتري براي دسته‌‌بندي هستند. نتايج تجربي مدل پيشنهادي بر روي مجموعه داده MIT-BIH در مقايسه با روش كاچويي و ۳ روش رقيب ديگر، بجز در معيار يادآوري، ساير شاخص‌‌هاي صحت، دقت و معيار F برتري روش پيشنهادي را نشان مي‌‌دهند و بر اساس معيار يادآوري دومين بهترين نتيجه حاصل شده است. به طور خاص در شاخص صحت كل در مقايسه با بهترين روش رقيب ۲۰٪ بهبود و براي معيار F در دسته‌‌هاي غيرنرمال 26٪ بهبود حاصل شده است