یک روش نوین در پردازش سیگنال قلبی برای تشخیص انقباضات زودرس بطنی با مهندسی ویژگی‌های چندحوزه‌ای و روش‌های یادگیری عمیق

پژوهش حاضر، یک چارچوب پردازشی نوین برای شناسایی خودکار انقباضات زودرس بطنی ارائه داده است. آریتمی های قلبی از مهمترین چالش های حوزه سلامت هستند که تشخیص به موقع آنها نقش تعیین کننده ای در پیشگیری از عوارض قلبی داشته است. با استفاده از پایگاه داده mitbih، ویژگی های تشخیصی در سه حوزه زمان، فرکانس و زمان-فرکانس استخراج شده است. سپس، با پیاده سازی شبکه کدگذار خودکار متغیر، فضای ویژگی به صورت هوشمند، فشرده سازی و ویژگی های کلیدی استخراج شد. طبقه بندی نهایی با استفاده از ماشین بردار پشتیبان و یادگیری حساس به هزینه انجام گرفت؛ به طوری که در تشخیص انقباضات زودرس بطنی، به مقادیر دقت 84/99 درصد، حساسیت 94/99 درصد و اختصاصیت 41/99 درصد دست یافته که برتری رویکرد ارائه شده را نسبت به روش های متداول نشان داده است. در مقایسه با روش های مبتنی بر شبکه های عصبی کانولوشنال که امروزه به طور گسترده ای برای پردازش سیگنال های قلبی استفاده می شوند، رویکرد پیشنهادی نه تنها از نظر شاخص های عملکردی برتر است، بلکه با کاهش ابعاد ویژگی ها از پیچیدگی محاسباتی کاسته و قابلیت اجرا بر روی سامانه های بلادرنگ و پوشیدنی را فراهم می سازد. یافته ها، گویای قابلیت بالای روش پیشنهادی به عنوان یک سامانه کمکی در مراکز تشخیصی قلبی است

a novel method in cardiac signal processing for detecting premature ventricular contractions using multi-domain feature engineering and deep learning techniques

the present study proposes a novel processing framework for the automatic detection of premature ventricular contractions (pvcs). cardiac arrhythmias are one of the most significant challenges in the healthcare sector، and their timely detection plays a decisive role in preventing cardiac complications. using the mit-bih database، diagnostic features were extracted across three domains: time، frequency، and time-frequency. then، by implementing a variational autoencoder (vae) network، the feature space was intelligently compressed، and key features were extracted. the final classification was performed using a support vector machine (svm) with cost-sensitive learning. in detecting premature ventricular contractions، the proposed framework achieved an accuracy of 99.84%، a sensitivity of 99.94%، and a specificity of 99.41%، demonstrating its superiority over conventional methods. compared to widely used convolutional neural network (cnn)-based methods for cardiac signal processing، the proposed approach is not only superior in terms of performance metrics but also reduces computational complexity through feature dimensionality reduction. this efficiency provides the potential for implementation in real-time and wearable systems. the findings highlight the strong potential of the proposed method as an auxiliary system in cardiac diagnostic centers.