آمار
| تعداد نشریات | 45 |
| تعداد شماره‌ها | 1,417 |
| تعداد مقالات | 17,409 |
| تعداد مشاهده مقاله | 56,124,533 |
| تعداد دریافت فایل اصل مقاله | 18,424,942 |
داده افزایی گوسی نمونه های مرزی و انتخاب توزیع محور جهت بهبود دسته بندی آریتمی های قلبی با شبکه های عصبی عمیق | ||
| پردازش سیگنال پیشرفته | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 25 مرداد 1404 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/jasp.2025.52924.1199 | ||
| نویسندگان | ||
| محمد یوسف خسروی خلیران1؛ رضا ebrahimpour1؛ ایمان ذباح* 2 | ||
| 1دانشکده کامپیوتر- دانشگاه شهید رجایی – تهران- ایران | ||
| 2گروه برق و کامپیوتر، دانشگاه تربت حیدریه، تربت حیدریه، خراسان رضوی، ایران | ||
| چکیده | ||
| بیماری‌های قلبی یکی از شایع‌ترین انواع بیماری‌ها است که آمار بالایی از مرگ و میر را باعث می شود. آریتمی‌ها، ضربان‌های غیرطبیعی هستند، که موجب می‌شوند قلب خیلی سریع(تاکی کارد) یا خیلی آهسته(برادی کارد) کارکند و پمپاژ غیر موثر داشته باشد. وجود دیتاست های نامتوازن، تشخیص برخی از انواع آریتمی ها را باچالش مواجه می کند. هدف از این پژوهش ارائه راهکاری مبتنی بر داده افزایی برای شبکه های عمیق به منظور طبقه بندی آریتمی های با نمونه کم می باشد. بدین منظور جهت تقویت یادگیری عمیق در طبقه بندی سیگنال های قلبی-عروقی سازوکاری در نظر گرفته می شود تا نمونه های پر اهمیت تر اولیه انتخاب و داده افزایی های رایج سری های زمانی بر اساس آن ها انجام و نمونه های مصنوعی تولید شود. سپس این ارزیابی مجددا بر روی نمونه های مصنوعی تولید شده اعمال و با توزیع مناسب نمونه های ارزشمندتر انتخاب می شوند و جهت آموزش مدل یادگیر از نوع شبکه ی عمیق پیچشی استفاده می شوند. نتایج بدست آمده نشان می دهد مدل ارائه شده ضمن بهبود نتایج کلاس بندی در 17 کلاس از داده های MIT-BIH و بخصوص آریتمی های با نمونه کم، توانسته است به صحت 96.92% در دسته بندی 17 کلاس داده ی MIT-BIH با نرخ عدم توازن 28.3 دست یابد. روش ارائه شده می تواند در داده افزایی سایر داده های سری های زمانی دوره ای به کار رود. | ||
| کلیدواژه‌ها | ||
| یادگیری عمیق؛ داده افزایی؛ الکتروکاردیوگرام؛ سری های زمانی؛ دسته بندی | ||
|
آمار تعداد مشاهده مقاله: 105 |
||