-
شماره ركورد
27215
-
پديد آورنده
مرضيه جلالي
-
عنوان
تشخيص آريتمي هاي قلبي با پردازش سيگنالهاي الكتروكارديوگرام توسط شبكه هاي عصبي عميق
-
مقطع تحصيلي
كارشناسي ارشد
-
رشته تحصيلي
مهندسي پزشكي- بيوالكتريك
-
سال تحصيل
97
-
تاريخ دفاع
1401/3/31
-
استاد راهنما
دكتر حميد بهنام
-
دانشكده
مهندسي برق
-
چكيده
از ميان سيگنال هاي پزشكي، سيگنال هاي قلبي به علت اهميت ويژه اي كه در تشخيص سلامت يك فرد دارند، مورد توجه ويژه اي قرار دارند. يادگيري عميق به عنوان ابزاري قوي در مسير استفاده از كامپيوتر براي طبقه بندي و نيز رويكرد تشخيصي با استفاده از سيگنال الكتروكارديوگرام مورد توجه قرار دارد. از جمله موفق ترين مدل هاي يادگيري عميق معرفي شده، شبكه هاي عصبي كانولوشني بوده اند.
دراين پژوهش به بررسي استفاده از يادگيري عميق براي طبقه بندي سيگنال هاي ECG در چهار كلاس شامل سيگنال نرمال(N)، سيگنال فيبرلاسيون دهليزي (A)،آريتمي هاي ديگر(O) و سيگنال نويز(⁓) پرداخته شده است. به عنوان پيش پردازش قطعه بندي به منظور همسازن سازي طول سيگنال ها و نيز استانداردسازي بر روي داده ها اعمال شد. از آنجاييكه اين مجموعه داده از نظر پراكندگي در دسته ها نامتوازن است، از دو تكنيك وزن دهي به كلاس ها و تكنيك بيش نمونه گيري اقليت مصنوعي به صورت مجزا براي ايجاد تعادل در مجموعه داده آموزش استفاده شده است. يك مدل شبكه عصبي كانولوشني شامل 4 لايه كانولوشني با تعداد فيلتر 128، و لايه هاي ادغام و حدف تصادفي بعد از هر لايه و 4 لايه كاملا متصل با تعداد نورون 256،128،64،4 براي استخراج ويژگي و طبقه بندي طراحي شد. در نهايت 80 درصد از كل داده ها براي آموزش، 10 درصد براي ارزيابي و 10 درصد براي آزمودن شبكه مورد استفاده قرار گرفتند. مدل پيشنهادي بدون اعمال روش هاي متوازن سازي داده و بيش نمونه گيري، F1-score 83 درصد، با اعمال وزن دهي براي ايجاد توازن مقدار F1-score 85 درصد و استفاده از تكنيك بيش نمونه گيري مقدار 84 درصد را ارائه مي دهد.
-
تاريخ ورود اطلاعات
1401/07/24
-
عنوان به انگليسي
Electrocardiogram Arrhythmia Detection Using Deep Convolution Neural Networks
-
تاريخ بهره برداري
6/21/2023 12:00:00 AM
-
دانشجوي وارد كننده اطلاعات
مرضيه جلالي
-
چكيده به لاتين
Among medical signals, cardiac signals receive special attention due to their special importance in diagnosing person's health. Deep learning is considered as a powerful and accurate tool in the use of computer and machine for classification electrocardiogram signal.
One of the most successful models of deep learning introduced is convolutional neural networks. In this study, the use of deep learning to classify ECG signals in four different classes has been investigated. Research on the short single-lead ECG physionet dataset has focused on the separation of atrial fibrillation from other signals. The length of ECG signals varies from 9 seconds to 60 seconds and this dataset is unbalanced.
After using necessary preprocessing, 80% of the total data was used for training, 10% for evaluation and 10% for network testing. Two class weight and synthetic minority over-sampling techniques have been used separately to balance the training data set, a CNN model has been used for data training and classification, the proposed CNN model has been used without data balancing methods obtaining a final score of 83%, weighting to create balance in dataset obtaining a final score of 85% and smote technique obtained a final score of 84%.
-
كليدواژه هاي فارسي
آريتمي , الكتروكارديوگرام , شبكه هاي عصبي كانولوشني , فيبريلاسيون دهليزي , بيش نمونه گيري اقليت مصنوعي , يادگيري عميق
-
كليدواژه هاي لاتين
Deep learning , Electrocardiogram , Convolutional neural networks , synthetic minority over-sampling
-
Author
marzieh jalali
-
SuperVisor
hamid behnam
-
لينک به اين مدرک :
