استراتژی های یادگیری عمیق برای سنتز سیگنال الکتروکاردیوگرام جنینی

استخراج با کیفیت الکتروکاردیوگرام جنین(fECG)، برای آنالیز، مدیریت و برنامه ریزی با توجه به وضعیت جنین در رحم، یکی از دشوارترین وظایفی است که پزشکان بایستی انجام دهند. از این رو، برای انجام آنالیز نظارت بر وضعیت جنین، سیگنال الکتروکاردیوگرام جنین ترجیح داده نمی شود و برای این منظور، از سایر روش های سنتی استفاده می شود. سیگنال الکتروکاردیوگرام جنین، از طریق تکنیک های تهاجمی یا غیر تهاجمی قابل دستیابی است. با توجه به این که روش تهاجمی برای جنین با مخاطراتی همراه است؛ غالبا از روش غیر تهاجمی استفاده می شود. سیگنال الکتروکاردیوگرام جنین تنها پس از بیست و پنج هفته رشد جنین در رحم به دست می آید که دوره پیش از زایمان نامیده می شود. در پژوهش حاضر، استفاده از تکنیک های یادگیری عمیق برای سنتز سیگنال الکتروکاردیوگرام غیرتهاجمی جنین با استفاده از تکنیک های هوشمند مصنوعی تشریح می شود. از این رو، شبکه های عصبی پیچشی (CNN)، شبکه های عصبی باور عمیق (BNN) و شبکه عصبی پس انتشار(BPNN)، در مطالعه حاضر به کار گرفته و آزمایش شده اند. همچنین، با ارجاع به سیگنال الکتروکاردیوگرام جنینی با کیفیت بالا، نتایج بدست آمده و عملکرد آن ها، مورد مقایسه قرار می گیرند.

Keywords:

یادگیری عمیق , الکتروکاردیوگرام جنین , شبکه های عصبی پیچشی , شبکه عصبی باور عمیق , شبکه عصبی پس انتشار