داده افزایی گوسی نمونه های مرزی و انتخاب توزیع محور جهت بهبود دسته بندی آریتمی های قلبی با شبکه های عصبی عمیق

مقالات آماده انتشار

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشکده کامپیوتر- دانشگاه شهید رجایی – تهران- ایران

2 گروه برق و کامپیوتر، دانشگاه تربت حیدریه، تربت حیدریه، خراسان رضوی، ایران

چکیده

بیماری‌های قلبی یکی از شایع‌ترین انواع بیماری‌ها است که آمار بالایی از مرگ و میر را باعث می شود. آریتمی‌ها، ضربان‌های غیرطبیعی هستند، که موجب می‌شوند قلب خیلی سریع(تاکی کارد) یا خیلی آهسته(برادی کارد) کارکند و پمپاژ غیر موثر داشته باشد. وجود دیتاست های نامتوازن، تشخیص برخی از انواع آریتمی ها را باچالش مواجه می کند. هدف از این پژوهش ارائه راهکاری مبتنی بر داده افزایی برای شبکه های عمیق به منظور طبقه بندی آریتمی های با نمونه کم می باشد. بدین منظور جهت تقویت یادگیری عمیق در طبقه بندی سیگنال های قلبی-عروقی سازوکاری در نظر گرفته می شود تا نمونه های پر اهمیت تر اولیه انتخاب و داده افزایی های رایج سری های زمانی بر اساس آن ها انجام و نمونه های مصنوعی تولید شود. سپس این ارزیابی مجددا بر روی نمونه های مصنوعی تولید شده اعمال و با توزیع مناسب نمونه های ارزشمندتر انتخاب می شوند و جهت آموزش مدل یادگیر از نوع شبکه ی عمیق پیچشی استفاده می شوند. نتایج بدست آمده نشان می دهد مدل ارائه شده ضمن بهبود نتایج کلاس بندی در 17 کلاس از داده های MIT-BIH و بخصوص آریتمی های با نمونه کم، توانسته است به صحت 96.92% در دسته بندی 17 کلاس داده ی MIT-BIH با نرخ عدم توازن 28.3 دست یابد. روش ارائه شده می تواند در داده افزایی سایر داده های سری های زمانی دوره ای به کار رود.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Data Augmentation on Marginal samples and distribution-based selection to improve ECG signal classification with deep learning

نویسندگان [English]

  • Mohammad Usef Khosravi Khaliran 1
  • Reza ebrahimpour 1
  • iman zabbah 2
1 Faculty of Computer Engineering Shahid Rajaee Teacher Training University, Iran
2 Department of Computer Engineering, Islamic Azad University, Torbat Heydariyeh Branch Torbat Heydariyeh, Iran
چکیده [English]

Heart diseases are one of the most common types of diseases that create high mortality rates. Arrhythmias are abnormal beats that make the heart work too fast (tachycardia) or too slowly (bradycardia) and pump ineffectively. The existence of unbalanced datasets makes the detection of some types of arrhythmias a challenge. The aim of this research is to provide a solution based on data augmentation for deep networks in order to classify arrhythmias that have small sample sizes in their dataset. As such, in order to boost deep learning in the classification of cardiovascular signals, an innovative method in data augmentation is presented in which a mechanism is considered to select the most important initial samples to perform common data augmentation of time series on them and to produce artificial samples. Next, this mechanism is applied again on the generated artificial samples and more valuable samples are selected based on proper distribution. Following, these valuable samples are used to train deep convolutional neural networks. The obtained results showed that the presented model improved the classification results in 17 classes of MIT-BIH data and especially the arrhythmias with small samples. In addition, it was able to achieve 96.92% accuracy in the classification of 17 classes of MIT-BIH dataset that had an imbalance rate of 28.3. The presented method can be used in data augmentation of the other periodic time series data.

کلیدواژه‌ها [English]

  • Deep Learning
  • Data Augmentation
  • Electrocardiogram
  • Times Series
  • Classification
پردازش سیگنال پیشرفته

مقالات آماده انتشار، پذیرفته شده
انتشار آنلاین از تاریخ 25 مرداد 1404

فایل ها

هم رسانی

ارجاع به این مقاله

آمار