پردازش سیگنال الکتروکاردیوگرام با هوش لبه

مدل های یادگیری عمیق ساخته‌شده با سیگنال های 12 لید الکتروکاردیوگرام روش های پیش رو در زمینه تشخیص خودکار بی نظمی به وسیله سیستم های هوشمند پزشکی هستند؛ اما این مدل ها به دلیل حجم انبوه پارامترهای آن ها دارای پیچیدگی محاسباتی بالایی هستند. لذا این مدل ها برای استفاده واقعی مناسب نبوده و کاربرد آن ها برای استفاده در دستگاه های با منابع محاسباتی کم در فناوری نوظهوری مانند اینترنت اشیاء پزشکی (internet of medical things) نیز محدود است. در این مقاله، با به کارگیری رهیافت یادگیری سبک‌وزن، روشی ارائه شده تا طبقه بندی بی نظمی در سیگنال های 12 لید الکتروکاردیوگرام بر روی دستگاه لبه قابل انجام باشد. در روش پیشنهادی یک مدل شبکه های عصبی کانولوشنی با 28 لایه ساخته شده است. سپس با به کارگیری بستر tensorflow lite مدل سبک وزنی از آن استخراج شده است. در ادامه این مدل بر روی دستگاه اندرویدی به‌عنوان دستگاه لبه پیاده سازی شده است. ارزیابی ها نشان می دهد که مدل طبقه بندی پیشنهادی برای طبقه بندی 7 نوع بی نظمی در نمونه های مجموعه داده chapmanecg با 10646 بیمار دارای صحت معادل با 84/50% است. نهایتاً مقایسات انجام‌شده عملکرد رقابتی مدل پیشنهادی را با روش های دیگر مبتنی بر مدل های استاندارد یادگیری عمیق نشان می دهد.