خودکدکننده تنک مبتنی بر شبکه‌های حافظه کوتاه‌مدت ماندگار برای بازنمایی قابل‌تفسیر سیگنال‌های قلب: یک نمونه اولیه و ارزیابی پایه

خودکدکننده تنک مبتنی بر شبکه‌های حافظه کوتاه‌مدت ماندگار برای بازنمایی قابل‌تفسیر سیگنال‌های قلب: یک نمونه اولیه و ارزیابی پایه

فائزه مسعودی1 علی بزرگمهر2

1) دانشجوی کارشناسی ارشد دانشگاه جامع انقلاب اسلامی، تهران، ایران.
2) استادیار دانشگاه جامع انقلاب اسلامی، تهران، ایران.

کد IOI مقاله : AAHD-ABKCZZ
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
    استخراج ویژگی‌های معنادار، پایدار و قابل‌تفسیر از سیگنال‌های الکتروکاردیوگرام یکی از چالش‌های بنیادین در توسعه سیستم‌های هوشمند پایش سلامت و تشخیص آریتمی قلبی است. اگرچه شبکه‌های عصبی عمیق به دقت‌های بالایی در دسته‌بندی سیگنال‌ها دست یافته‌اند، اما ماهیت «جعبه سیاه» آن‌ها مانع از پذیرش و اعتماد گسترده در کاربردهای حساس بالینی می‌شود. به منظور غلبه بر این محدودیت، پژوهش حاضر یک چارچوب مهندسی‌شده را توسعه و ارزیابی می‌نماید. در این معماری، از لایه‌های بازگشتی با ظرفیت بالا جهت مدل‌سازی دینامیک پیچیده زمانی استفاده شده است. مدل پیشنهادی با بهره‌گیری از تکنیک استانداردسازی Z-Score در فاز پیش‌پردازش و یک تابع هزینه ترکیبی مجهز به قید تنک‌سازی مبتنی بر واگرایی کولبک-لایبلر، بر روی رکوردهای پایگاه داده مرجع MIT-BIH آموزش دیده است. نتایج آزمایشگاهی ثابت می‌کند که این معماری با غلبه بر چالش‌های بهینه‌سازی و فرار از کمینه‌های محلی، موفق به حفظ وفاداری کامل در بازسازی دقیق مورفولوژی سیگنال، به ویژه حفظ دامنه و تیزی کمپلکس QRS شده است. به طور همزمان، اعمال دقیق قید تنک‌بودن منجر به شکل‌گیری یک فضای پنهان به شدت تنک گردیده است که در آن، شبکه توالی‌های زمانی پیچیده را تنها با فعال‌سازی درصد بسیار ناچیزی از نورون‌ها رمزگشایی می‌کند. این رویکرد نوآورانه ضمن کاهش چشمگیر افزونگی اطلاعات، بینش روشنی از الگوهای نهفته قلبی ارائه داده و با ارتقای سطح تفسیرپذیری، قابلیت اطمینان سیستم‌های تشخیصی مبتنی بر هوش مصنوعی را در محیط‌های واقعی افزایش می‌دهد.

کلمات کلیدی : الکتروکاردیوگرام خودکدکننده تنک شبکه‌های حافظه کوتاه‌مدت ماندگار تفسیرپذیری واگرایی کولبک لایبلر