بکارگیری مدل مبتنی بر یادگیری عمیق بر روی تصویر چاپ شده سیگنال های ecg برای تشخیص بیماری های قلبی عروقی

تشخیص بیماری‌های قلبی از روی تصاویر چاپ‌شده نوارهای الکتروکاردیوگرام اهمیت ویژه‌ای دارد، زیرا این نوارها به‌عنوان یک استاندارد جهانی در تمامی مراکز درمانی قابل تفسیر و استفاده‌ هستند. استفاده از یادگیری عمیق برای تحلیل خودکار این نوارها می‌تواند دقت و سرعت تشخیص را به‌طور چشمگیری بهبود دهد. در این پژوهش یک مدل مبتنی یادگیری عمیق برای طبقه‌بندی تصاویر چاپ شده سیگنال‌های الکتروکاردیوگرام به پنج کلاس ارائه شده است. برای این منظور ابتدا پیش‌پردازش‌هایی روی تصاویر بدست آمده از سیگنال‌های الکتروکاردیوگرام اعمال شده است. این پیش پردازش‌ها برای نرمال‌سازی و تقویت داده‌های تعلیم می‌باشد. سپس با ارتقای مدل از پیش آموزش داده شده resnet-18 از طریق ترکیب آن با ماژول‌های فشرده‌سازی و تحریک شبکه، سعی شده یک مدل پیشرفته به اسم seresnet-18 برای بهبود ویژگی‌های استخراج شده و تشخیص دقیق‌تر بیماری‌های قلبی بکار گرفته شود. مدل پایه resnet-18 و مدل پیشرفته seresnet-18 روی مجموعه‌ داده ptb-xl پیاده‌سازی و ارزیابی شده‌اند که در نهایت مدل پایه resnet-18 توانست به صحت 81.45 % و مساحت زیر منحنی%95.54 دست پیدا کند در حالیکه در مدل پیشرفته با افزودن ماژول فشرده‌سازی و تحریک، عملکرد مدل به شکل قابل توجهی بهبود یافت، به‌طوری که صحت مدل پیشرفته به 85.16% و مساحت زیر منحنی به 96.68 % افزایش پیدا کرد. این کارایی در مقایسه با روش‌های موجود نیز برتر می باشد.

employing deep learning-based model on printed image of ecg signals for cardiovascular disease detection

diagnosing heart diseases from printed images of electrocardiogram tapes is of particular importance, because these tapes can be interpreted and used as a global standard in all medical centers. but using deep learning to automatically analyze these tapes can dramatically improve the accuracy and speed of detection. in this research, a model based on deep learning is presented to classify printed images of electrocardiogram signals into five classes. for this purpose, first, pre-processing is applied on the electrocardiogram signals converted to image form to normalize and strengthen the training data. then, by upgrading the basic pre-trained resnet-18 model by combining it with compression and stimulation modules of the se module, an advanced model has been tried to promote better feature extraction and more accurate diagnosis of heart diseases. resnet-18 basic model and seresnet-18 advanced model have been implemented and evaluated on the ptb-xl data set, and finally, resnet-18 basic model was able to achieve an overall accuracy of 81.45% and an area under the curve of 95.54%, while in the advanced model by adding the compression and stimulation module, the performance of the model improved significantly, so that the overall accuracy of the advanced model increased to 85.16% and the area under the curve increased to 96.68%. this efficiency is superior compared to the existing methods.