بهبود کارایی طبقه‌بندی خودکار آریتمی‌های قلبی با نگاشت اختصاصی فضای ویژگی هر بیمار

تشخیص خودکار آریتمی های قلبی برای درمان موفق بیماری های قلبی از اهمیت زیادی برخوردار است و یادگیری ماشین برای این منظور مورد استفاده قرار می گیرد. برای طبقه‌بندی صحیح کلاس‌های آریتمی، استخراج ویژگی های مناسب جهت ایجاد تمایز بین کلاس های مختلف، اهمیت زیادی دارد. در این مقاله از یک شبکه‌ی عصبی پیچشی عمیق برای استخراج ویژگی استفاده شده است. با توجه به این که ضربان‌های قلبی بیماران مختلف دارای تفاوت زیادی هستند، کلاس های آریتمی دارای تغییرات درون‌کلاسی زیادی خواهند بود. برای کاهش تغییرات درون‌کلاسی، ضربان‌های قلبی هر بیمار با یک تابع اختصاصی به نحوی نگاشت داده شده است که شباهت آن به ضربان های قلبی یکی از بیماران آموزشی افزایش یابد. نگاشت اختصاصی پیشنهادی سبب کاهش تغییرات درون‌کلاسی شده و دقت طبقه‌بندی آریتمی های قلبی را به میزان قابل ملاحظه ای افزایش داده است. برای اثبات کارایی روش پیشنهادی، نتایج آن با چندین تحقیق جدید بر اساس سه معیار ارزیابی دقت، حساسیت و اختصاصیت و روی مجموعه‌ی داده‌ی یکسان مقایسه شده است. دقت به دست آمده حدود 96.24 درصد بوده که نشان دهنده‌ی کارایی بهتر روش پیشنهادی در مقایسه با سایر کارها است.

arrhythmia classification improvement by individually mapping the feature space of each patient

automatic detection of cardiac arrhythmias is very important for the successful treatment of heart disease and machine learning is used for this purpose. to correctly classify arrhythmic classes, it is important to extract the appropriate features to distinguish between different classes. in this paper, a deep convolutional neural network is used to extract the feature. due to the fact that the heart rates of different patients are very different, arrhythmia classes will have many intra-class changes. to reduce intraclass changes, each patient’s heart rate is mapped with a dedicated function to increase its resemblance to the heart rate of one of the training patient data’s. the proposed specific mapping reduces intra-class changes and significantly increases the classification accuracy of cardiac arrhythmias. to prove the effectiveness of the proposed method, its results were compared with several new studies based on three criteria for accuracy, sensitivity and specificity and on the same data set. the accuracy obtained is about 96.24%, which shows the better performance of the proposed method compared to other works.