بازنمایی عمیق ویژگی‌ها در حسگرهای پوشیدنی برای پیش‌بینی رویدادهای مرتبط با رگ‌های خونی قلب و عروق

امروزه یکی از عوامل مرگ‌ومیر در دنیا وقوع رویدادهای شریانی است که به شکل آنفارکتوس قلبی، سکته مغزی، غش و غیره رخ می‌دهند و باعث از کارافتادگی قلب و مرگ زودرس می‌شوند؛ بنابراین، ضروری است قبل از وقوع حوادث ناگوار برای پیشگیری و هشدار شرایط غیرعادی به افراد اطلاع‌رسانی شود. در این مقاله، از یک رویکرد یادگیری عمیق برای پیش‌بینی رویدادهای شریانی طی چند هفته / ماه قبل از رویداد با 5 دقیقه ثبت سیگنال‌های قلبی (ecg) و استخراج ویژگی‌های زمانی و فرکانسی استفاده شده است. برای این منظور، از شبکه عصبی lstm به‌دلیل امکان یادگیری وابستگی‌های بلندمدت برای شناسایی و پیشگیری هرچه سریع‌تر این نوع رویدادها بهره گرفته شد. همچنین، از یک شبکه باور عمیق (dbn) برای بازنمایی و استخراج ویژگی‌های بهنیه و موثر از مجموعه داده‌های جمع‌آوری‌شده استفاده شد. این رویکرد به اختصار lstm-dbn نامیده می‌شود. برای ارزیابی رویکرد پیشنهادی از 4 مجموعه داده در دسترس عموم در حوزه مراقبت‌های بهداشتی استفاده شد. این داده‌ها از حسگرهای پوشیدنی مربوط به ثبت سیگنال‌های ecg همراه با ویژگی‌های جمعیت‌شناختی جمع‌آوری شده‌اند. نتایج حاصل از پیش‌بینی شبکه lstm-dbn با میانگین صحت 88/42 درصد در مقایسه با سایر رویکردهای یادگیری عمیق و طبقه‌بندی سنتی نشان‌دهندة برتری رویکرد پیشنهادی‌اند.

deep features representation of wearable sensors to cardiovascular events prediction of blood vessels

one of the leading causes of death in today’s world is arterial events, which can occur in the form of myocardial infarction, stroke, fainting, etc., leading to heart failure and premature death. hence, it is essential to inform people before the occurrence of unpleasant events to prevent and warn of abnormal conditions. in this paper, we used a deep learning approach to predict arterial events during the weeks/ months before the event using 5 minutes of ecg signals recording by extracting the temporal and frequency characteristics. for this purpose, the long short-term memory (lstm) neural network was used due to the possibility of learning long-term dependencies to quickly identify and prevent these types of events. a deep belief network (dbn) was also used to represent and select more effective and efficient features of the recorded dataset. this approach is briefly called lstm-dbn. four publicly-available datasets in the field of health care were used to evaluate the proposed approach. these data were collected from ecg signal recording wearable sensors along with demographic characteristics. the prediction results of the lstm-dbn network with 88.42% mean accuracy compared to other deep learning approaches and traditional classifications indicate the superiority of the proposed approach.