تشخیص انواع ناهنجاری های قلبی با استفاده از یادگیری عمیق مبتنی بر هزینه

یکی از راه‌‌های تشخیص بیماری‌‌های ناشی از ناهنجاری‌‌های قلبی، بررسی سیگنال‌‌های الکتروکاردیوگرام است. این سیگنال‌‌ها به‌صورت سیگنال‌‌های پیوسته زمانی هستند که قبل از پردارش باید به ضربان‌‌های قلب شکسته شوند. از آنجایی‌‌ سیگنال‌‌های قلبی در حجم زیاد ذخیره می‌‌شوند پردازش آنها توسط روش‌‌های معمول یادگیری ماشین دشوار است. همچنین مسئله تشخیص نوع ناهنجاری در سیگنال‌‌های الکتروکاردیوگرام تنها یک مسئله دسته‌‌بندی چند رده‌ای نیست؛ بلکه با توجه به ماهیت مجموعه‌‌ داده‌‌های واقعی موجود، یک مسئله دسته‌‌بندی داده‌‌های نامتعادل است. در این زمینه یک راه‌‌حل بالقوه، استفاده از راهکارهای مبتنی بر هزینه است که ممکن است در سطح الگوریتم یا سطح داده پیاده‌‌سازی شوند. در این مقاله، یک مدل مبتنی بر یادگیری عمیق با استفاده از شبکه هم‌آمیختی برای تشخیص نوع ناهنجاری قلبی ارائه شده است که علاوه بر اعمال هزینه در سطح داده با استفاده از تابع ضرر مبتنی بر هزینه در مرحله یادگیری، هزینه دسته‌‌بندی اشتباه را برای رده‌‌های دارای تعداد نمونه کمتر افزایش می‌‌دهد. مدل پیشنهادی همچنین از یک روش بخش‌بندی ضربان قلب در مرحله پیش‌‌پردازش استفاده می‌‌کند که حاوی اطلاعات بیشتری برای دسته‌‌بندی هستند. نتایج تجربی مدل پیشنهادی بر روی مجموعه داده mit-bih در مقایسه با روش کاچویی و 3 روش رقیب دیگر، بجز در معیار یادآوری، سایر شاخص‌‌های صحت، دقت و معیار f برتری روش پیشنهادی را نشان می‌‌دهند و بر اساس معیار یادآوری دومین بهترین نتیجه حاصل شده است. به طور خاص در شاخص صحت کل در مقایسه با بهترین روش رقیب 20٪ بهبود و برای معیار f در دسته‌‌های غیرنرمال 26٪ بهبود حاصل شده است