تشخیص خودکار آنومالی‌های الکتروکاردیوگرام با استفاده از معماری‌های یادگیری عمیق: یک مطالعه مقایسه‌ای

بیماری‌های قلبی و عروقی به عنوان اصلی‌ترین علت مرگ‌ومیر جهانی، نیازمند سیستم‌های تشخیصی دقیق و سریع هستند. نوار قلب (الکتروکاردیوگرام) مهم‌ترین ابزار غیرتهاجمی برای ارزیابی فعالیت الکتریکی قلب است، اما تحلیل دستی آن زمان‌بر و مستعد خطای انسانی می‌باشد. در این پژوهش، یک سامانه جامع برای شناسایی خودکار ناهنجاری‌های نوار قلب با استفاده از الگوریتم‌های یادگیری عمیق ارائه شده است که قادر به تشخیص اختلالات ریتم قلبی با دقت بالا می‌باشد. چهار معماری پیشرفته شامل شبکه‌های عصبی پیچشی، شبکه‌های حافظه بلندمدت، ترکیب این دو با مکانیزم توجه، و معماری تبدیل‌کننده طراحی و مقایسه شدند. مدل‌ها بر روی مجموعه داده mit-bih شامل پنج دسته آریتمی (ضربان طبیعی، انقباض زودرس بطنی، انقباض زودرس دهلیزی، بلوک شاخه راست و بلوک شاخه چپ) آموزش دیدند. برای مدیریت عدم تعادل داده‌ها از روش‌های تولید داده مصنوعی و وزن‌دهی هوشمند استفاده شد. نتایج حاصل از بررسی های میدانی ما بر روی 200 نمونه نشان داد معماری ترکیبی با مکانیزم توجه با دقت 98.7 درصد، حساسیت 97.9 درصد و معیار f1 وزنی 98.7 درصد عملکرد برتری دارد. این سامانه می‌تواند در سیستم‌های هشدار بیمارستانی، دستگاه‌های پوشیدنی پایش مداوم بیماران، و ابزارهای کمک تشخیصی پزشکان مورد استفاده قرار گیرد و با کاهش بار کاری پرستاران و پزشکان و تشخیص زودهنگام آریتمی‌های خطرناک، نقش موثری در کاهش مرگ‌ومیر قلبی ایفا کند.