بازنمايي عميق ويژگي‌ها در حسگرهاي پوشيدني براي پيش‌بيني رويدادهاي مرتبط با رگ‌هاي خوني قلب و عروق

امروزه يكي از عوامل مرگ‌ومير در دنيا وقوع رويدادهاي شرياني است كه به شكل آنفاركتوس قلبي، سكته مغزي، غش و غيره رخ مي‌دهند و باعث از كارافتادگي قلب و مرگ زودرس مي‌شوند؛ بنابراين، ضروري است قبل از وقوع حوادث ناگوار براي پيشگيري و هشدار شرايط غيرعادي به افراد اطلاع‌رساني شود. در اين مقاله، از يك رويكرد يادگيري عميق براي پيش‌بيني رويدادهاي شرياني طي چند هفته / ماه قبل از رويداد با 5 دقيقه ثبت سيگنال‌هاي قلبي (ECG) و استخراج ويژگي‌هاي زماني و فركانسي استفاده شده است. براي اين منظور، از شبكه عصبي LSTM به‌دليل امكان يادگيري وابستگي‌هاي بلندمدت براي شناسايي و پيشگيري هرچه سريع‌تر اين نوع رويدادها بهره گرفته شد. همچنين، از يك شبكه باور عميق (DBN) براي بازنمايي و استخراج ويژگي‌هاي بهنيه و مؤثر از مجموعه داده‌هاي جمع‌آوري‌شده استفاده شد. اين رويكرد به اختصار LSTM-DBN ناميده مي‌شود. براي ارزيابي رويكرد پيشنهادي از 4 مجموعه داده در دسترس عموم در حوزه مراقبت‌هاي بهداشتي استفاده شد. اين داده‌ها از حسگرهاي پوشيدني مربوط به ثبت سيگنال‌هاي ECG همراه با ويژگي‌هاي جمعيت‌شناختي جمع‌آوري شده‌اند. نتايج حاصل از پيش‌بيني شبكه LSTM-DBN با ميانگين صحت 88/42 درصد در مقايسه با ساير رويكردهاي يادگيري عميق و طبقه‌بندي سنتي نشان‌دهندة برتري رويكرد پيشنهادي‌اند.