Method Article

نموذج محول الشبكة العصبية التلافيفية للتنبؤ بعدم انتظام ضربات القلب المبكر وتصنيفه باستخدام إشارة مخطط كهربية القلب

DOI:

10.3791/68227

⸱

July 3rd, 2025

 ,  , 
1Jain University, 2Faculty of Education and Liberal Arts, Persiaran perdana BBN Putra Nolai, INTI international university

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يهدف النموذج المطور إلى تصنيف عدم انتظام ضربات القلب المبكر إلى فئات N و L و R و V و A. هنا ، يتم دمج جميع مجموعات البيانات لإنشاء مجموعة بيانات رئيسية ، والتي يستخدمها النموذج كمدخلات لإنتاج فئات مختلفة من عدم انتظام ضربات القلب كمخرجات.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

وتتطلب أمراض القلب والأوعية الدموية، وخاصة عدم انتظام ضربات القلب، كسبب رئيسي للوفاة في جميع أنحاء العالم، إنشاء تقنيات دقيقة وآلية للتشخيص والكشف المبكر. لتحديد عدم انتظام ضربات القلب من إشارات مخطط كهربية القلب (ECG) ، تقدم هذه الورقة نموذج تصنيف قائم على التعلم العميق يركز على خمسة أنواع رئيسية من ضربات القلب: طبيعي (N) ، كتلة فرع الحزمة اليسرى (L) ، كتلة فرع الحزمة اليمنى (R) ، نبض الأذيني المبكر (A) ، وتقلص البطين المبكر (V). نحن نستفيد من إشارات الرصاص الأول من عدة مصادر ، مثل قواعد بيانات INCART 12-lead و Sudden Cardiac Death Holter و فوق البطيني و MIT-BIH عدم انتظام ضربات القلب ، مما ينتج عنه أكثر من 3.9 مليون تدريب و 112,575 قطاعا اختباريا.

تتضمن أمثلة إعداد البيانات 180 عينة ، وتجزئة النافذة الثابتة ، وتطبيع الحد الأدنى للحد الأقصى ، وموازنة الفئات باستخدام تقنية الإفراط في أخذ عينات الأقلية الاصطناعية (SMOTE). تستخدم البنية الهجينة طبقات المحولات لنمذجة التبعيات الزمنية والشبكات العصبية التلافيفية 1D (CNNs) لاستخراج الميزات المكانية. يقوم محسن Adam مع التسرب وتطبيع الدفعات لتنظيم النموذج بتدريب.

يتفوق النظام المقترح على طراز TN4 والمعايير المتطورة الأخرى ، حيث يحقق دقة ودقة ودرجة F1 بنسبة 99.99٪ في جميع الفئات. تم تحسين متانة الميزات بشكل أكبر من خلال تطبيق البنى الهجينة العميقة والشبكات العصبية التلافيفية ، والتي كانت مدفوعة بدراسات سابقة. يعمل النموذج المقترح على تطوير الرعاية الصحية الرقمية الفردية القائمة على الذكاء الاصطناعي وله وعد كبير بتحديد عدم انتظام ضربات القلب في الوقت الفعلي.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

لا تزال أمراض القلب والأوعية الدموية واحدة من الشواغل الصحية الرئيسية على مستوى العالم ، وهي مسؤولة عن ما يقرب من 31٪ من الوفيات في جميع أنحاء العالم كل عام ، وفقا لمنظمة الصحة العالمية (WHO)1. تتضمن مجموعة فرعية كبيرة من هذه الحالات عدم انتظام ضربات القلب - عدم انتظام ضربات القلب الذي يمكن أن يتراوح من حميد إلى مهدد للحياة. غالبا ما يتميز عدم انتظام ضربات القلب بأوقات غير منتظمة. تساهم هذه الاضطرابات بشكل كبير في مراضة المرضى ووفياتهم ، مما يزيد من خطر الإصابة بمشاكل صحية خطيرة مثل السكتة الدماغية وفشل القلب والسكتة القلبية المفاجئة. لذلك يعد التحديد المبكر والتصنيف الدقيق لعدم انتظام ضربات القلب أمرا بالغ الأ....

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. الحصول على مجموعات البيانات

  1. الحصول على مجموعات بيانات مخطط كهربية القلب (ECG) المتاحة للجمهور لتطوير نموذج التعلم العميق والتحقق من صحته لتصنيف عدم انتظام ضرباتالقلب 7.
  2. اجمع بين مجموعات بيانات Lead-I من قاعدة بيانات عدم انتظام ضربات القلب MIT-BIH ، وقاعدة بيانات عدم انتظام ضربات القلب فوق البطيني MIT-BIH ، وقاعدة بيانات عدم انتظام ضربات القلب INCART 12 الرئيسية في سانت بطرسبرغ ، وقاعدة بيانات هولتر للموت القلبي المفاجئ.
    ملاحظة: يتم اختيار مجموعات البيانات لتنوعها في التركيبة السكانية للمرضى وأنواع عدم انتظام ضربات القلب ، مما يضمن إمكانية تعميم النموذج عبر الحالات المتنوعة. توفر كل مجموعة بيانات تسجي....

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

مقاييس أداء النموذج المقترح
يتم حساب الدقة والحساسية والخصوصية ودرجة F1 للنموذج المقترح لكل فئة من فئات عدم انتظام ضربات القلب. يتم تقييم أداء النموذج على MIT-BIH وقواعد بيانات تخطيط القلب الأخرى ذات الصلة. وتتلخص النتائج الرئيسية على النحو التالي:

الدقة: حقق نموذج CNN-Transformer الهجين دقة بنسبة 99.32٪ على مجموعة بيانات MITDB و 97.15٪ في قواعد البيانات المدمجة ، مما يدل على متانة النموذج عبر مصادر ECG المختلفة19.

الحساسي.......

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تشير نتائج هذه الدراسة إلى أن نموذج CNN-Transformer الهجين يصنف بكفاءة عدم انتظام ضربات القلب بدقة عالية وحساسية وخصوصية ودرجة F1 ، متجاوزا بشكل ملحوظ نماذج CNN فقط و CNN-LSTM التقليدية. أدى دمج طبقات المحولات إلى تعزيز قدرة النموذج على التقاط التبعيات الزمنية ، وهو عنصر حاسم في تحليل تخطيط القلب. علاوة على ذلك ، توفر تحويلات المويجة المستمرة (CWT) خصائص تردد زمني واسعة النطاق ، مما يمكن طبقات CNN من التمييز بين التغيرات الدقيقة في شكل الموجة بين أنواع عدم انتظام ضربات القلب. تسلط هذه ال.......

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

ليس لدى المؤلفين أي تضارب في المصالح للإعلان عنه.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

أود أن أشكر الدكتورة آزاده أموزغار ، محاضرة أولى ، جامعة INTI الدولية ، على توفير الموارد عبر الإنترنت للتدريب على مجموعات البيانات.

....

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
نظام(للتدريب) المعالج: AMD Ryzen 7 7840HS ، ذاكرة الوصول العشوائي لوحدة المعالجة المركزية: 16 جيجابايت ، ذاكرة الوصول العشوائي لوحدة معالجة الرسومات: 6GBNVIDIA GeForce RTX 3050
متوازنةالتعلم المستخدمة لإعادة تشكيل
pytorchPyTorch هي حزمة Python توفر ميزتين رفيعتي المستوى:
- حساب Tensor (مثل NumPy) مع تسريع GPU قوي
- شبكات عصبية عميقة مبنية على أ نظام autograd القائم على الشريط
Seaborn Seabornهي مكتبة تصور Python تعتمد على matplotlib.
يستخدم WFDBلقراءة وكتابة ومعالجة ورسم بيانات الإشارة الفسيولوجية والتعليقات التوضيحية
الكمبيوتر حزمة python غير

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Jamil, S., Rahman, M. A. Novel deep-learning-based framework for the classification of cardiac arrhythmia. J Imaging. 9 (3), 70(2020).
  2. Reegu, F. A., et al. Blockchain-based framework for interoperable electronic health record....

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Arrhythmia ClassificationElectrocardiogram SignalConvolutional Neural NetworkTransformer ModelDeep Learning ModelHeartbeat ClassificationLead I ECGTemporal DependenciesClass BalancingDigital Healthcare
Video Coming Soon

Related Articles