آمار
| تعداد نشریات | 45 |
| تعداد شماره‌ها | 1,430 |
| تعداد مقالات | 17,607 |
| تعداد مشاهده مقاله | 57,250,795 |
| تعداد دریافت فایل اصل مقاله | 19,071,711 |
طراحی شبکه عصبی بهینه جهت تشخیص فیبریلاسیون دهلیزی | ||
| پردازش سیگنال پیشرفته | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 01 اسفند 1401 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/jasp.2023.51706.1189 | ||
| نویسندگان | ||
| مریم سادات جلالی شهری1؛ فرزان خطیب* 2؛ سید جواد سید مهدوی3؛ علیرضا حیدری بکاولی4؛ مهدی کهرم5 | ||
| 1گروه برق، دانشکده مهندسی - دانشگاه آزاد اسلامی واحد مشهد – مشهد- ایران | ||
| 2گروه برق،دانشکده مهندسی،دانشگاه آزاد اسلامی واحد مشهد، مشهد، ایران | ||
| 3گروه برق- دانشکده مهندسی -دانشگاه آزاد اسلامی واحد مشهد- مشهد-ایران | ||
| 4گروه قلب و عروق- دانشکده پزشکی- دانشگاه علوم پزشکی مشهد – مشهد- ایران | ||
| 5گروه جراحی قلب و عروق- دانشکده پزشکی- دانشگاه علوم پزشکی مشهد – مشهد-ایران | ||
| چکیده | ||
| فیبریلاسیون دهلیزی یکی از عارضه‌های شایع قلبی در تمام جهان است که عدم‌تشخیص به‌موقع آن می‌تواند خطر سکته مغزی و یا حتی مرگ را به دنبال داشته باشد. تاکنون روش‌های متفاوتی جهت تشخیص این آریتمی موردتحقیق و بررسی قرارگرفته است، اما یکی از روش‌های بسیار پرکاربرد جهت شناسایی آن‌که در سال‌های اخیر بیش‌ازپیش موردتوجه واقع‌شده، یادگیری عمیق است. از میان شبکه‌های عصبی عمیق مطرح در این حوزه، شبکه‌های عصبی LSTM(long short term memory) به دلیل خاصیت تحلیل زمان پیوسته جهت تحلیل داده‌های سری زمانی مانند ECG عملکرد بسیار خوبی از خود نشان داده‌اند. ازاین‌رو در این تحقیق از یک ساختار LSTM که دارای کمترین تعداد لایه در هر سطح می باشد، به‌منظور کاهش زمان یادگیری شبکه و درنتیجه افزایش سرعت در تشخیص عارضه مورد نظر بهره برده شده است. همچنین طراحی مورد نظر با دو شبکه عمیق پرکاربرد BILSTM و CNN نیز مورد بررسی و مقایسه قرار گرفت و مشخص گردید،ساختار LSTM مطرح نسبت به دو ساختار دیگر از دقت (86%) و سرعت بالاتری (2 و 19 برابر سریع‌تر) در تشخیص برخوردار است. علاوه بر این در این پژوهش با محاسبه ضریب همبستگی برای سه ویژگی سن ، جنس و ضربان میزان اثرگذاری هرپارامتر در شناسایی فرد بیمار موردبررسی قرار گرفت. | ||
| کلیدواژه‌ها | ||
| شبکه‌های عصبی عمیق؛ یادگیری عمیق؛ الکتروکاردیوگرام؛ فیبریلاسیون دهلیزی؛ حافظه‌ی کوتاه‌مدت طولانی | ||
|
آمار تعداد مشاهده مقاله: 667 |
||