28754

ارائه روشي مبتني بر شبكه عصبي براي بررسي سيگنال قلبي

كارشناسي ارشد

رياضي- رياضي كاربردي - بهينه‌سازي

1400

1402/6/28

سيده محبوبه مولوي عربشاهي

رياضي

شبكه‌هاي‌عصبي گروه جديدي از سيستم‌ها هستند كه مي‌توان از آنها براي مدل‌سازي مجموعه‌ داده‌‌هايي كه ساختار ديناميكي‌غيرخطي دارند استفاده كرد، در واقع، با افزودن شبكه‌هاي‌عصبي بازگشتي، مي‌توان فرآيندهاي‌ ديناميكي پيوسته را نيز مدل‌سازي نمود. يكي از آن فرآيندهاي ‌ديناميكي‌غيرخطي، اندازه‌گيري فعاليت‌الكتريكي ‌قلب است كه توسط الكتروكارديوگرام يا نوار قلب (ECG) انجام مي‌شود. ولتاژ داده‌هاي سري‌زماني ممكن‌است واريانس بالايي بين اندازه‌گيري‌ها و بيماران مختلف داشته باشد. چنين‌تغييراتي را مي‌توان به‌دليل وضعيت‌قلب توضيح داد، كه ممكن‌است اطلاعات‌‌حياتي در مورد وضعيت‌بيمار، به متخصص‌قلب ارائه بدهد. ما با استفاده از خوشه‌هاي‌عصبي LSTM بجاي پرسپترون‌هاي‌استاندارد در يك شبكه‌عصبي بازگشتي توانستيم چنين‌اطلاعاتي را از جريان‌داده‌هاي نوارقلب استخراج كنيم و براي تشخيص ناهنجاري‌هاي موجود در وضعيت‌بيمار ضربان‌قلب را به‌طور خودكار طبقه‌بندي نمايم. ما توانستيم از شبكه‌هاي‌عصبي بازگشتي مبتني‌بر LSTM براي تشخيص ناهنجاري‌هاي داده‌هاي سري‌زماني نوارقلب استفاده كنيم. در تشخيص‌ناهنجاري دودويي، به دقت 1/84% در داده‌هاي آموزشي دست‌يافته‌ايم. براي مسئله رده‌بندي تشخيص‌ناهنجاري، مدل‌نهايي با دقت 1/73% در مجموعه‌آزمايشي دست يافت.

1402/07/08

Presenting a method based on neural network for investigation of ECG signals

9/18/2024 12:00:00 AM

Neural networks are a new group of systems that can be used to model data sets that have a nonlinear dynamic structure, in fact, by adding recurrent neural networks, continuous dynamic processes can also be modeled. One of those nonlinear dynamic processes is the measurement of the electrical activity of the heart, which is performed by an electrocardiogram or electrocardiogram (ECG). Voltage time series data may have high variance between measurements and different patients. Such changes can be explained by the condition of the heart, which may provide the cardiologist with vital information about the patient's condition. By using LSTM neural clusters instead of standard perceptrons in a recurrent neural network, we were able to extract such information from the ECG data stream and automatically classify the heartbeat to detect abnormalities in the patient's condition. We were able to use LSTM-based recurrent neural networks to detect anomalies in ECG time series data. In binary anomaly detection, we have achieved 84.1% accuracy in training data. For the classification problem of anomaly detection, the final model was achieved with an accuracy of 73.1% in the test set.

حافظه طولاني كوتاه مدت , شبكه عصبي , نوار قلب , شبكه عصبي بازگشتي

LSTM , neural network , Ecg , RNN

Erfan Janfaza

Dr. Mahboobe Molavi Arabshahi