آمار
| تعداد نشریات | 45 |
| تعداد شمارهها | 1,479 |
| تعداد مقالات | 18,073 |
| تعداد مشاهده مقاله | 58,476,650 |
| تعداد دریافت فایل اصل مقاله | 19,836,092 |
تشخیص سکته قلبی حاد با استفاده از سیگنالهای ECG حاصل از حسگرهای پوشیدنی: مقایسهای بین رویکردهای یادگیری ماشین و یادگیری عمیق | ||
| مجله مهندسی برق دانشگاه تبریز | ||
| مقالات آماده انتشار، اصلاح شده برای چاپ، انتشار آنلاین از تاریخ 22 فروردین 1405 | ||
| نوع مقاله: علمی-پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/tjee.2026.70183.5101 | ||
| نویسندگان | ||
| امیرحسین تجرد؛ تانیا حسین خانی؛ اصغر زارعی* ؛ موسی شمسی | ||
| دانشکده مهندسی پزشکی.دانشگاه صنعتی سهند.تبریز.ایران | ||
| چکیده | ||
| تشخیص بهموقع سکته قلبی حاد (AMI) برای کاهش مرگومیر و بهبود پیامدهای درمانی اهمیت اساسی دارد، اما محدودیت دستگاههای پوشیدنی متداول در ثبت چندلید ECG، بهویژه لیدهای قفسه سینه، شناسایی دقیق AMI را دشوار میسازد. این مطالعه با هدف ارزیابی عملکرد مچبند پوشیدنی ECG (wECG) مجهز به سه الکترود، در مقایسه با سیگنالهای ECG مرجع (دارای 12لید) انجام شد. چارچوب پیشنهادی، بیماران AMI را بهطور متمایز از افراد سالم و مبتلایان به سایر بیماریهای قلبیعروقی (CVD) طبقهبندی میکند. سیگنالهای خام ECG و wECG ابتدا پیشپردازش شدند و سپس ویژگیهای آماری مرتبهبالا، توصیفگرهای Hjorth و مولفههای دامنه و فاز حاصل از تبدیل فوریه سریع استخراج گردید. با استفاده از اطلاعات متقابل (MI) و آزمون F، ویژگیها و لیدهای کلیدی انتخاب شدند. این ویژگیها به الگوریتمهای یادگیری ماشین (SVM، DT، KNN، XGBoost) و یادگیری عمیق (CNN، ResNet، DenseNet، LSTM) داده شد تا مدلی دقیق و توضیحپذیر برای تشخیص AMI توسعه یابد. نتایج نشان داد سیگنالهای ECG مرجع در جداسازی افراد سالم از بیماران (AMI و CVD) با XGBoost و CNN به میانگین صحت ۱۰۰% رسید، در حالی که در تمایز AMI از CVD میانگین صحت به 4/99% (ResNet) تا 2/96% (SVM) کاهش یافت. در دادههای wECG، جفت لید V5-LA بهترین عملکرد را داشت و با XGBoost به میانگین صحت 1/98% در طبقهبندی گروه CTRL در برابر CVD دست یافت، اما میانگین صحت تمایز AMI از CVD به 2/93% (CNN) کاهش یافت. این نتایج نشان میدهد wECG، بهویژه در ترکیب با جفت لید V5-LA و XGBoost، پتانسیل بالایی برای تشخیص اولیه AMI دارد. | ||
| کلیدواژهها | ||
| یادگیری ماشین؛ یادگیری عمیق؛ سکته قلبی حاد؛ ECG؛ دستگاه مچبند ECG | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 2 |
||