دوره 83، شماره 3 - ( خرداد 1404 )
جلد 83 شماره 3 صفحات 159-151 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Akhavan H, Rezaei F. Analysis of human electrocardiogram (ECG) signals using
machine learning techniques. Tehran Univ Med J 2025; 83 (3) :151-159
URL: http://tumj.tums.ac.ir/article-1-13544-fa.html
URL: http://tumj.tums.ac.ir/article-1-13544-fa.html
اخوان حسین، رضائی فاطمه. تحلیل سیگنالهای الکتروکاردیوگرام قلب انسان با استفاده از تکنیک یادگیری ماشین. مجله دانشکده پزشکی، دانشگاه علوم پزشکی تهران. 1404; 83 (3) :151-159
حسین اخوان1 
، فاطمه رضائی*1
، فاطمه رضائی*1
1- گروه بیوفتونیک، دانشکده فیزیک، دانشگاه خواجه نصیر الدین طوسی، تهران، ایران.
چکیده: (605 مشاهده)
زمینه و هدف: الکتروکاردیوگرام روشی غیرتهاجمی برای دریافت سیگنالهای قلب است. با وجود پیشرفت در روشهای عکسبرداری، الکتروکاردیوگرام هنوز نقش مهمی در تشخیص بیماریهای قلبی ایفا میکند. تحلیل سیگنالهای الکتروکاردیوگرام نقش مهمی در شناسایی زودهنگام بیماریهای قلبی نظیر آریتمیها و سکتههای قلبی دارد. امروزه با پیشرفت علم و فناوری، روشهای رایانهای بیش از پیش مورد توجه پزشکان قرار گرفتهاند. در این مطالعه، از روشهای یادگیری ماشین برای دستهبندی ضربانهای قلبی طبیعی و غیرطبیعی استفاده شده است.
روش بررسی: دادههای مورد بررسی از مجموعه دادهای تحت عنوان Heartbeat که در سایت کگل منتشر شده، استخراج شدهاند. این مجموعه شامل نمونههایی از سیگنالهای صوتی میباشد که به دو دسته سالم و ناسالم تقسیم میشوند. در ابتدا، دادهها مورد پیشپردازش قرار گرفتند و نرمالسازی شدند تا برای ورود به مدل آماده شوند. سپس، ویژگیهای زمانی و فرکانسی از سیگنالها استخراج گردیده است. در ادامه، یک مدل ترکیبی شامل لایههای کانولوشنی یکبعدی طراحی و آموزش داده شده است. همچنین، با بهرهگیری از روش توقف زودهنگام، از بیشبرازش جلوگیری شد و پایداری مدل بهبود یافت.
یافتهها: در این پژوهش نشان داده شد که با بهرهگیری از یادگیری عمیق به ویژه استفاده از CNN و Conv 1D به دقت 99% و زیان 0350/0 برای دادههای تست در تشخیص ضربانهای قلب طبیعی و غیرطبیعی میتوان رسید. این مدل توانایی تحلیل ساختارهای پیچیده و دینامیک زمانی سیگنالهای ECG را داشته است و قادر است الگوهای مرتبط با اختلالات قلبی را تشخیص دهد.
نتیجهگیری: امروزه الکتروکاردیوگرام بیش از پیش مورد توجه قرار گرفته است. انتخاب مناسب مدل، استانداردسازی دادهها و گستره کیفی دادهها از عوامل دقت بالا در این پژوهش است. این پژوهش میتواند گامی موثر در توسعه سامانههای هوشمند تشخیص اختلالات قلبی باشد و در کاربردهای پزشکی، بهویژه در حوزه پایش مستمر بیماران، مورد استفاده قرار گیرد.
روش بررسی: دادههای مورد بررسی از مجموعه دادهای تحت عنوان Heartbeat که در سایت کگل منتشر شده، استخراج شدهاند. این مجموعه شامل نمونههایی از سیگنالهای صوتی میباشد که به دو دسته سالم و ناسالم تقسیم میشوند. در ابتدا، دادهها مورد پیشپردازش قرار گرفتند و نرمالسازی شدند تا برای ورود به مدل آماده شوند. سپس، ویژگیهای زمانی و فرکانسی از سیگنالها استخراج گردیده است. در ادامه، یک مدل ترکیبی شامل لایههای کانولوشنی یکبعدی طراحی و آموزش داده شده است. همچنین، با بهرهگیری از روش توقف زودهنگام، از بیشبرازش جلوگیری شد و پایداری مدل بهبود یافت.
یافتهها: در این پژوهش نشان داده شد که با بهرهگیری از یادگیری عمیق به ویژه استفاده از CNN و Conv 1D به دقت 99% و زیان 0350/0 برای دادههای تست در تشخیص ضربانهای قلب طبیعی و غیرطبیعی میتوان رسید. این مدل توانایی تحلیل ساختارهای پیچیده و دینامیک زمانی سیگنالهای ECG را داشته است و قادر است الگوهای مرتبط با اختلالات قلبی را تشخیص دهد.
نتیجهگیری: امروزه الکتروکاردیوگرام بیش از پیش مورد توجه قرار گرفته است. انتخاب مناسب مدل، استانداردسازی دادهها و گستره کیفی دادهها از عوامل دقت بالا در این پژوهش است. این پژوهش میتواند گامی موثر در توسعه سامانههای هوشمند تشخیص اختلالات قلبی باشد و در کاربردهای پزشکی، بهویژه در حوزه پایش مستمر بیماران، مورد استفاده قرار گیرد.
نوع مطالعه: مقاله اصیل |
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
