نوع مقاله : مقاله پژوهشی
نویسندگان
1
گروه برق، دانشکده مهندسی - دانشگاه آزاد اسلامی واحد مشهد – مشهد- ایران
2
گروه برق،دانشکده مهندسی،دانشگاه آزاد اسلامی واحد مشهد، مشهد، ایران
3
گروه برق- دانشکده مهندسی -دانشگاه آزاد اسلامی واحد مشهد- مشهد-ایران
4
گروه قلب و عروق- دانشکده پزشکی- دانشگاه علوم پزشکی مشهد – مشهد- ایران
5
گروه جراحی قلب و عروق- دانشکده پزشکی- دانشگاه علوم پزشکی مشهد – مشهد-ایران
چکیده
فیبریلاسیون دهلیزی یکی از عارضه‌های شایع قلبی در تمام جهان است که عدم‌تشخیص به‌موقع آن می‌تواند خطر سکته مغزی و یا حتی مرگ را به دنبال داشته باشد. تاکنون روش‌های متفاوتی جهت تشخیص این آریتمی موردتحقیق و بررسی قرارگرفته است، اما یکی از روش‌های بسیار پرکاربرد جهت شناسایی آن‌که در سال‌های اخیر بیش‌ازپیش موردتوجه واقع‌شده، یادگیری عمیق است. از میان شبکه‌های عصبی عمیق مطرح در این حوزه، شبکه‌های عصبی LSTM(long short term memory) به دلیل خاصیت تحلیل زمان پیوسته جهت تحلیل داده‌های سری زمانی مانند ECG عملکرد بسیار خوبی از خود نشان داده‌اند. ازاین‌رو در این تحقیق از یک ساختار LSTM که دارای کمترین تعداد لایه در هر سطح می باشد، به‌منظور کاهش زمان یادگیری شبکه و درنتیجه افزایش سرعت در تشخیص عارضه مورد نظر بهره برده شده است. همچنین طراحی مورد نظر با دو شبکه عمیق پرکاربرد BILSTM و CNN نیز مورد بررسی و مقایسه قرار گرفت و مشخص گردید،ساختار LSTM مطرح نسبت به دو ساختار دیگر از دقت (86%) و سرعت بالاتری (2 و 19 برابر سریع‌تر) در تشخیص برخوردار است. علاوه بر این در این پژوهش با محاسبه ضریب همبستگی برای سه ویژگی سن ، جنس و ضربان میزان اثرگذاری هرپارامتر در شناسایی فرد بیمار موردبررسی قرار گرفت.
کلیدواژه‌ها
موضوعات
عنوان مقاله [English]
Design optimized neural network for diagnosis of atrial fibrillation
نویسندگان [English]
-
maryam sadat jalali shahri
1
-
Farzan Khatib
2
-
Seyed javad Seyed Mahdavi
3
-
Alireza Heidari Bakavoli
4
-
Mahdi Kahrom
5
1
Electrical Engineering group, Dept. of Engineering, Islamic Azad University of Mashhad, Mashhad, Iran
2
Department of Electrical Engineering, Faculty of Engineering, Islamic Azad University Mashhad Branch, Mashhad, Iran
3
Electrical Engineering group, Dept. of Engineering, Islamic Azad University of Mashhad, Mashhad, Iran
4
Cardiology group, Dept. of Medicine, Mashhad University of Medical Sciences, Mashhad, Iran
5
Cardiovascular Surgery group, Dept. of Medicine, Mashhad University of Medical Sciences, Mashhad, Iran
چکیده [English]
Atrial fibrillation (AF) is one of the most common arrhythmias, a lack of timely diagnosis of which can result in stroke or even mortality. To date, various techniques have been used to recognize this type of arrhythmia. However, deep learning has been one of the most commonly used methods in this area, which has attracted the attention of researchers in recent years. Meanwhile, the long short-term memory (LSTM) has had an efficient performance among deep neural networks used in this area owing to its continuous analysis feature for analyzing time-series data such as ECG. Therefore, the present study applied an LSTM structure with the least number of layers at each level has been used, in order to reduce network learning time, thereby, increasing the detection speed diagnosing the desired problem. Also the propose design, were discussed and comparison with two highly applied deep learning of BILSTM and CNN, and the results were indicative of higher accuracy(86%) and detection speed(2 and 19 times faster) of LSTM compared to the other two structures. In addition, in this research by calculating the correlation coefficient for the 3 parameters of age,sex and heart rate the effectiveness of each parameter in identifying the patient was examined.
کلیدواژه‌ها [English]
-
Deep Neural Networks
-
Deep Learning
-
ECG(Electrocardiogram)
-
AF (Atrial Fibrillation)
-
LSTM (Long Short-term Memory)
)