Tehran University Medical Journal

other تحلیل سیگنال‎های الکتروکاردیوگرام قلب انسان با استفاده از تکنیک یادگیری ماشین Analysis of human electrocardiogram (ECG) signals using machine learning techniques مقاله اصیل Original Article زمینه و هدف: الکتروکاردیوگرام روشی غیرتهاجمی برای دریافت سیگنال&lrm;های قلب است. با وجود پیشرفت در روش&lrm;های عکس‌برداری، الکتروکاردیوگرام هنوز نقش مهمی در تشخیص بیماری&lrm;های قلبی ایفا می&lrm;کند. تحلیل سیگنال‌های الکتروکاردیوگرام نقش مهمی در شناسایی زودهنگام بیماری‌های قلبی نظیر آریتمی‌ها و سکته‌های قلبی دارد. امروزه با پیشرفت علم و فناوری، روش&lrm;های رایانه&lrm;ای بیش از پیش مورد توجه پزشکان قرار گرفته&lrm;اند. 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 سیگنال&lrm;های صوتی می&lrm;باشد که به دو دسته سالم و ناسالم تقسیم می&lrm;شوند. 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 بهره&lrm;گیری از یادگیری عمیق به ویژه استفاده از CNN و Conv 1D به دقت 99% و زیان 0350/0 برای داده&lrm;های تست در تشخیص ضربان&lrm;های 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 داده&lrm;ها و گستره کیفی داده&lrm;ها 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.   Background: An Electrocardiogram is a non-invasive method for receiving heart signals. Despite advances in imaging methods, the electrocardiogram still plays an important role remains a vital tool in the diagnosis of heart diseases. Analysis of electrocardiogram signals plays an important role in the early detection of heart diseases such as arrhythmias and heart attacks. Today, with the advancement of science and technology, computer methods have received more and more attention from doctors. In this study, machine learning methods were used to classify normal and abnormal heartbeats. Methods: The data under study were extracted from a dataset called Heartbeat published on the Kaggle website. This dataset includes samples of audio ECG signals that are divided into healthy and unhealthy categories. First, the data were preprocessed and normalized to prepare them for input into the model. Then, temporal and frequency features were extracted from the signals. Next, a hybrid model consisting of one-dimensional convolutional layers was designed and trained. Also, by using the early stopping method, overfitting was prevented and the stability of the model was improved. Results: In this study, it was shown that by using deep learning, especially using CNN and 1D Conv, an accuracy of 0.99% and a loss of 0.0350 for test data in detecting normal and abnormal heartbeats can be achieved. This model has the ability to analyze complex structures and temporal dynamics of ECG signals and is able to detect patterns related to cardiac disorders. Conclusion: Today, the electrocardiogram has received more attention than ever before. Appropriate selection of the model, data standardization, and a qualitative range of data are among the factors of high accuracy in this study. This study can be an effective step in the development of intelligent systems for diagnosing cardiac disorders and can be used in medical applications, especially in the field of continuous patient monitoring.   آریتمی, یادگیری عمیق, سیگنال ECG, الکتروکاردیوگرام, یادگیری ماشین. arrhythmia, deep learning, ECG signal, electrocardiogram, machine learning. 151 159 http://tumj.tums.ac.ir/browse.php?a_code=A-10-3666-911&slc_lang=other&sid=1 Hossein Akhavan حسین اخوان No Department of Biophotonic, Physics Faculty, K. N. Toosi University of Technology, Tehran, Iran. گروه بیوفتونیک، دانشکده فیزیک، دانشگاه خواجه نصیر الدین طوسی، تهران، ایران. Fatemeh Rezaei فاطمه رضائی Yes Department of Biophotonic, Physics Faculty, K. N. Toosi University of Technology, Tehran, Iran. گروه بیوفتونیک، دانشکده فیزیک، دانشگاه خواجه نصیر الدین طوسی، تهران، ایران.