پیش بینی سکته قلبی به وسیله تشخیص ناهنجاری در داده های ECG با استفاده از شبکه عمیق خودرمزگذار

الکتروکاردیوگرام (ECG) یک آزمایش برای بررسی سلامت قلب با ریتم های منظم و نامنظم است. نشانه های بروز سکته ویا سایرعوارض قلبی و عروقی را می توان از ریتم های نامنظم این آزمایش تشخیص داد. با تشخیص زود هنگام ناهنجاری در سیگنال های ECG می توان از بروز خطر برای بیمار جلوگیری کرد. با کمک گرفتن از هوش مصنوعی در تشخیص زود هنگام بیماری قلبی علاوه بر تسریع در تشخیص بیماری می توان از بروز هرگونه خطای انسانی هم جلوگیری کرد. هدف این مقاله برای به دست آوردن معیارتشخیص ناهنجاری برای سیگنالهای قلبی با بکارگیری شبکه عمیق خودرمزگذار (Autoencoder ) با دقت بالاو کمترین خطا است. در این مقاله شبکه خودرمزنگار فقط با داده های نرمال (سیگنالهای قلبی افراد سالم) آموزش دیده و شبکه بدون مشاهده داده های غیر نرمال (سیگنالهای قلبی افراد بیمار) میتواند با دقت ۵/۹۴ درصد داده های غیر نرمال را از روی داده های نرمال تشخیص دهد.بنابراین با دیدگاه نیم نظارتی که فقط نیازمند به داده های نرمال است به حل مسئله می پردازد. علاوه برآن می توان برای مرتفع سازی مشکل نامتعادل بودن مجموعه داده های پزشکی که معمولا دارای داده های نرمال بیشتری نسبت به غیر نرمال هستند بهره گرفت. این روش علاوه بر تاثیر چشمگیری که در کاهش هزینه ی برچسب گذاری داده های غیرنرمال ECG ‎ دارد می تواند از خطاهای احتمالی در هنگام برچسب گذاری که منجر به داده های پرت می شود نیز جلوگیری کند.

Keywords:

Autoencoder , Deep Learning , electrocardiogram (ECG) , Threshold methods , Anomaly Detection ‎