دانشگاه تبریز
فهرست نشریات دارای اعتبار وزارت علوم، تحقیقات و فناوری
پایگاه استنادی علوم جهان اسلام (ISC)

 آمار

تعداد نشریات44
تعداد شماره‌ها1,314
تعداد مقالات16,162
تعداد مشاهده مقاله52,729,726
تعداد دریافت فایل اصل مقاله15,403,636
حسینی نژاد محبتی, حسین, بهرام راد, تندیس. (1402). تشخیص آریتمی فیبریلاسیون دهلیزی با استفاده از LSTMو CNN. سامانه مدیریت نشریات علمی, (), -. doi: 10.22034/jasp.2023.55780.1220
حسین حسینی نژاد محبتی; تندیس بهرام راد. "تشخیص آریتمی فیبریلاسیون دهلیزی با استفاده از LSTMو CNN". سامانه مدیریت نشریات علمی, , , 1402, -. doi: 10.22034/jasp.2023.55780.1220
حسینی نژاد محبتی, حسین, بهرام راد, تندیس. (1402). 'تشخیص آریتمی فیبریلاسیون دهلیزی با استفاده از LSTMو CNN', سامانه مدیریت نشریات علمی, (), pp. -. doi: 10.22034/jasp.2023.55780.1220
حسینی نژاد محبتی, حسین, بهرام راد, تندیس. تشخیص آریتمی فیبریلاسیون دهلیزی با استفاده از LSTMو CNN. سامانه مدیریت نشریات علمی, 1402; (): -. doi: 10.22034/jasp.2023.55780.1220

تشخیص آریتمی فیبریلاسیون دهلیزی با استفاده از LSTMو CNN

پردازش سیگنال پیشرفته
مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 12 آذر 1402
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22034/jasp.2023.55780.1220
نویسندگان
حسین حسینی نژاد محبتی* 1؛ تندیس بهرام راد2
1عضو هیئت علمی دانشکده مهندسی برق دانشگاه صنعتی خواجه نصیرالدین طوسی
2دانشکده مهندسی برق دانشگاه صنعتی خواجه نصیرالدین طوسی
چکیده
آریتمی فیبریلاسیون دهلیزی یکی از خطرناک‌ترین بیماری‌های قلبی است که با تشخیص درست و به موقع آن می‌توان از بروز سکته های مغزی و قلبی جلوگیری کرد. برای بالا بردن سرعت تشخیص و همچنین کم کردن احتمال خطای پزشکی مسئله‌ی تشخیص خودکار این نوع آریتمی مطرح می‌شود. در برخی از پژوهش‌ها برای تشخیص آن از روش‌های کلاسیک یادگیری ماشین استفاده شده است ولی به علت دشوار بودن تشخیص این آریتمی و وابستگی آن به بررسی چندین ضربان متوالی، استفاده از یادگیری عمیق دقت بالاتری در تشخیص نهایی دارد. بنابراین در این مقاله یک رویکرد مبتنی بر استفاده از شبکه یادگیری عمیق با ترکیب شبکه‌های LSTM وCNN پیشنهاد شده است. در این پژوهش با فیلتر میانه‌ای و یک مرحله میانگین‌گیری از سیگنال، نویز سرگردان خط مبنا و نویز ناشی از حرکت عضلات حذف شده و باعث بهبود سیگنال به نویز به اندازه 29/8 دسیبل شده است. بهم‌ریختگی فاصله RR درسیگنال ECG یکی از بارزترین ویژگی‌های آریتمی فیبریلاسیون دهلیزی است، لذا با هدف کاهش پیچیدگی محاسباتی رویکرد پیشنهادی، فاصله RR به جای کل نمونه‌های سیگنال الکتروکاردیوگرام به عنوان داده ورودی شبکه درنظر گرفته شده است. برای تشخیص R از یک روش مبتنی بر الگوریتمPan-Tompkins با اعمال تغییراتی برای بهبود انطباق‌پذیری استفاده شده است. ارزیابی رویکرد پیشنهادی روی دو پایگاه Challenge 2017 و MIT-BIH AFDB انجام شده و صحبت به صورت بین-بیمار به ترتیب 97% و 90% بدست آمده است.
کلیدواژه‌ها
: آریتمی فیبریلاسیون دهلیزی؛ حذف نویز؛ یادگیری عمیق؛ تشخیص خودکار؛ شبکه عصبی پیچشی؛ شبکه حافظه کوتاه مدت طولانی
آمار
تعداد مشاهده مقاله: 296


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب