طبقهبندی نوار قلب با تعداد لید کاهشیافته و وابسته به نوع بیماری با استفاده از تجزیه مد تجربی و انتخاب لید مبتنی بر الگوریتم کرم شبتاب
طبقهبندی نوار قلب با تعداد لید کاهشیافته و وابسته به نوع بیماری با استفاده از تجزیه مد تجربی و انتخاب لید مبتنی بر الگوریتم کرم شبتاب
امیرحسین عباسی1 اعظم شیخیان2 هادی پاژخ زاده3
1) دانشجوی کارشناسی ارشد مهندسی پزشکی گرایش بیوالکتریک، دانشگاه علوم پزشکی اصفهان، ایران -
2) دانشجوی دکتری مهندسی نرمافزار کامپیوتر، دانشگاه آزاد اسلامی، واحد یاسوج، ایران -
3) دانشجوی دکتری مدیریت فناوری، دانشگاه آزاد اسلامی، واحد جزیره کیش، ایران -
کد IOI مقاله
:
AAHD-ABHEAK
محل انتشار :
کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
تحلیل الکتروکاردیوگرام یکی از روشهای غیرتهاجمی پرکاربرد برای ارزیابی ناهنجاریهای قلبی است. اگرچه الکتروکاردیوگرام استاندارد ۱۲ لید اطلاعات تشخیصی ارزشمندی فراهم میکند، استفاده از تمامی لیدها موجب افزایش حجم دادههای ورودی و هزینه محاسباتی سامانههای طبقهبندی خودکار میشود. در مطالعات اخیر، تحلیل الکتروکاردیوگرام با تعداد لیدهای کاهشیافته مورد توجه قرار گرفته است؛ با این حال، بسیاری از روشهای موجود از ترکیب ثابتی از لیدها استفاده میکنند و تفاوت اهمیت تشخیصی لیدها در بیماریهای مختلف قلبی را در نظر نمیگیرند. در این پژوهش، یک چارچوب طبقهبندی الکتروکاردیوگرام با لیدهای کاهشیافته و اختصاصی هر بیماری، با ترکیب تجزیه مد تجربی و انتخاب لید مبتنی بر الگوریتم کرم شبتاب ارائه شده است. پایگاه داده PTB-XL مورد استفاده قرار گرفت و پنج گروه تشخیصی شامل نوار قلب طبیعی، سکته قلبی، تغییرات قطعه استی و موج تی، اختلالات هدایتی و بزرگشدگی قلب بررسی شدند. پس از پیشپردازش سیگنالها، ویژگیهای آماری، زمانی، انرژی، آنتروپی و ویژگیهای مبتنی بر تبدیل هیلبرت از هر لید استخراج شدند. سپس الگوریتم کرم شبتاب برای تعیین مناسبترین مجموعه لیدها در هر مسئله تشخیص بیماری نسبت به حالت طبیعی به کار گرفته شد. چهار سناریوی طبقهبندی شامل سکته قلبی در برابر حالت طبیعی، تغییرات قطعه ST و موج T در برابر حالت طبیعی، اختلالات هدایتی در برابر حالت طبیعی و بزرگشدگی قلب در برابر حالت طبیعی با استفاده از روشهای گرادیان تقویتی، شبکه عصبی مبتنی بر توجه به لید و ماشین بردار پشتیبان ارزیابی شدند. نتایج مجموعه آزمون مستقل نشان داد که لیدهای انتخابشده در بیماریهای مختلف متفاوت هستند. ماشین بردار پشتیبان بهترین مقادیر AUC را برای تشخیص سکته قلبی، تغییرات قطعه ST و موج T و اختلالات هدایتی به ترتیب برابر با 91.64، 91.84 و 89.82 درصد به دست آورد، در حالی که روش گرادیان تقویتی در تشخیص بزرگشدگی قلب با دقت 93.73 درصد و AUC ۹۴ درصد بهترین عملکرد را نشان داد. این نتایج نشان میدهد که انتخاب هوشمند لیدها همراه با استخراج ویژگیهای مناسب میتواند تعداد لیدهای مورد نیاز را کاهش داده و در عین حال عملکرد قابل اعتماد طبقهبندی بیماریهای قلبی را حفظ کند.
کلمات کلیدی : طبقهبندی نوار قلب نوار قلب با تعداد لیدهای کاهشیافته الگوریتم بهینهسازی کرم شبتاب تجزیه مد تجربی