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

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشکده ریاضی و علوم کامپیوتر- دانشگاه دامغان - دامغان - ایران

2 دانشکده فنی و مهندسی - دانشگاه دامغان - دامغان - ایران

چکیده

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 ۳ 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 ۲۰٪ بهبود و برای معیار F در دسته‌‌های غیرنرمال 26٪ بهبود حاصل شده است





 

کلیدواژه‌ها


 A “,Gharehbaghi .A and ,Daneshtalab .M ,Loni .M ,Ebrahimi .Z] 1[
 “,classification arrhythmia ECG for methods learning deep on review
.2020.100033.waxes.j10.1016/ :doi 2020, 100033, .p 7, .vol ,X .Appl with .Syst Expert
 and ,Kumar .P ,Gupta .A ,Kanungo .A ,Saxena .K .N ,Gupta .V] 2[
 techniques detection/classification ECG different of review A “,Salim
 .,Manag .Eng .Assur .Syst .J .Int” ,applications medical improved for
13198-021-01548-s10.1007/ :doi 2022, 1051,–1037 .pp 3, .no 13, .vol
3.
 and selection feature based-ECG An “,Sabamoniri .S and Ayar .M] 3[
.j10.1016/ :doi 2018, 175,–167 .pp 13, .vol ,Unlocked .Med formaticsIn” ,algorithm heuristic hybrid a using model classification heartbeat
.2018.06.002.imu
 based-Attention “,Huang .L.-S and ,Zhang .L ,Gu .W ,Du .Q] 4[
 the of Proceedings in” ,classification series-time for CNNs-LSTM
 2018, ,systems sensor networked embedded on conference ACM th16
411.–410 .pp
 IEEE 2018 - .Proc” ,representation transferable deep A :sificationclas heartbeat ECG “,Sarrafzadeh .M and ,Fazeli .S ,Kachuee .M] 5[
 :doi 2018, 444,–443 .pp 2018, ICHI ,Informatics .Healthc .Conf .Int
.2018.00092.ICHI10.1109/
 2020, 103866, .p 123, .vol .,Med .Biol .Comput” ,loss focal and worknet neural convolutional deep a on based classification heartbeat gramElectrocardio “,Atri .M and ,Ouni .R ,Alhichri .H ,Romdhane .F .T] 6[
.2020.103866.compbiomed.j10.1016/ :doi
 Convolutional with learning transfer deep using classification beatHeart ECG “,Benharash .P and ,Zhang .W ,Li .Y ,Zhao .T ,Cao .M] 7[
“.technique STFT and Network Neural
 Based-Boundary Decision “,Chung .K and ,Park .C .R ,Shin .H.-D] 8[
 ECG From AnoGAN Improved Using Model Detection Anomaly
10.1109/ :doi 2020, 108674,–108664 .pp 8, .vol ,Access IEEE” ,Data
.2020.3000638.ACCESS
 ,Asadpour .M and ,Razzaghi .N ,Samadi .N ,Abdi .Y ,Tanha .J] 9[
 an :classification data imbalanced class-multi for methods Boosting“
10.1186/ :doi 2020, 1, .no 7, .vol ,Data Big .J” ,review experimental
.y40537-020-00349-s
 detection anomaly heart of survey A “,Boulanger .P and Li Zu .H] 10[
 ,(Switzerland (Sensors” ,)ECG (electrocardiogram ambulatory using
20051461.s10.3390/ :doi 2020, 5, .no 20, .vol
 for trials of design the in considerations Methodological “,Pater .C] 11[
 .Control .Curr” ,entities chemical and drugs new of assessment safety
10.1186/1468- :doi 2005, 13,–1 .pp 6, .vol .,Med .Cardiovasc Trials
6708-6-1.
 236,–230 .pp 3, .no -32,BME .vol .,Eng .Biomed .Trans IEEE” ,rithmAlgo Detection QRS Time-Real A “,Tompkins .J .W and Pan .J] 12[
.1985.325532.TBME10.1109/ :doi 1985, .Mar
 .K.-H and ,Jiang .Z ,Jang .H ,Lee .J.-G ,Adnane .M ,Choi .S] 13[
 Expert” ,strategy checkup interval R–R irregular and filter lowpass ingcombin by method segmentation beat ECG of Development “,Park
.j10.1016/ :doi 2010, .Jul 5218,–5208 .pp 7, .no 37, .vol .,Appl .Syst
.2009.12.069.eswa
 QRS “,Belouchrani .A and ,Adnane .M ,Amirou .A ,Zidelmal .Z] 14[
 Programs Methods .Comput” ,coefficients wavelet on based detection
.j10.1016/ :doi 2012, .Sep 496,–490 .pp 3, .no 107, .vol .,Biomed
.2011.12.004.cmpb
 Signal .Biomed” ,signal) ECG (electrocardiogram in peaks-R tectingde for method novel A “,Soman .P .K and Manikandan .S .M] 15[
.j10.1016/ :doi 2012, .Mar 128,–118 .pp 2, .no 7, .vol ,Control .Process
.2011.03.004.bs
n based method detection peak-R An “,Dong .J and Zhu .H] 16[
 ,Control .Process Signal .Biomed” ,envelope energy Shannon of peaks
.2013.01.001.bspc.j10.1016/ :doi 2013, .Sep 474,–466 .pp 5, .no 8, .vol
 method improved An “,Sahu .K .P and ,Panigrahy .D ,Rakshit .M] 17[
 ,Sādhanā” ,envelope energy Shannon using by detection peak-R for
12046-016-s10.1007/ :doi 2016, May 477,–469 .pp 5, .no 41, .vol
0485-8.
 Healthcare Wearable for Data Streaming in Detection Anomaly izedPersonal ,Time-Real “,Ngo .D and ,Deepu .J .C ,Veeravalli .B] 18[
426.–403 .pp 2017,” ,Devices
2000. .Jun 23, .no 101, .vol ,Circulation” ,NetPhysio and ,PhysioToolkit ,PhysioBank “.,al et Goldberger .L .A] 19[
 and morphological of study Comparative “,Egiazarian .K and ,evGotch .A ,Jekova .I ,Krasteva .V ,Herrero-Gómez .G ,Christov .I] 20[
 .Med” ,classification heartbeat for descriptors ECG frequency-time
.j10.1016/ :doi 2006, .Nov 887,–876 .pp 9, .no 28, .vol .,Phys .Eng
.2005.12.010.medengphy
 Computing Reservoir Using Classification Electrocardiogram “,rassoMi .R .C and ,Fischer .I ,Soriano .C .M ,Moran-Escalona .A .M] 21[
 .vol ,Informatics .Heal .Biomed .J IEEE” ,Regression Logistic With
2015. May 898,–892 .pp 3, .no 19,
 wireless for model classification lightweight a using detection liesanoma wave-T ECG An “,Abdesselam-Nait .F and Hadjem .M] 22[
10.1109/ :doi 283,–278 .pp 2015, .Jun ,)ICCW (Workshop nicationCommu on Conference International IEEE 2015 in” ,sensors body
.2015.7247191.ICCW
 XGBoost Using Signals ECG From Classification and Detection miaArrhyth Cardiac “,Gupta .V and ,Janghel .R .R ,Pandeyz .K .S] 23[
 ,Wiley ,Applications and Algorithms Learning Machine in” ,Classifier
157.–141 .pp 2021,
 Fibrillation Atrial Classification “,Eslamizadeh .M and ,handespoorMo .M ,Dabanloo Jafarnia .N ,Attarodi .G ,Sedehi Farhadi .J] 24[
 :doi 2018, .Dec” ,Networks Neural Autoencoders Stacked Using
.2018.011.CinC10.22489/
 .Intell .J .Int” ,Classification Arrhythmia on Application Networks liefBe Deep Multistage A “,Allahverdi .N and ,Kutlu .Y ,Altan .G] 25[
 :doi 2016, 228,–222 .pp -1,Issue Special .no 4, .vol .,Eng .Appl .Syst
.270367.IJISAE10.18201/
 .Comput” ,classification signal ECG for model network LSTM tionalbidirec deep on based sequence wavelet novel A “,Yildirim .Ö] 26[
.2018.03.016.omedcompbi.j10.1016/ :doi 2018, May 202,–189 .pp 96, .vol .,Med .Biol
 Sequence to Sequence A :Detection Arrhythmia for Classification beatHeart ECG Patient -Intra and -Inter “,Afghah .F and Mousavi .S] 27[
 International IEEE 2019 - 2019 ICASSP in” ,Approach Learning Deep
 ,(ICASSP (Processing Signal and Speech ,Acoustics on Conference
.2019.8683140.ICASSP10.1109/ :doi 1312,–1308 .pp 2019, May
 .no 3, .vol ,JSCAS .J .Surg Aided .Comput .Soc Japan .J” ,) mentationInstru Medical of Advancement the for Association (AAMI “,] 28[
2001. 37,–36 .pp 1,
 ,Ayed Ben .I and ,Lombaert .H ,Chakor .H ,Dolz .J ,Galdran .A] 29[
 Grading Retinopathy Diabetic for Regularization Sensitive-Cost“
 12265 .vol ,)Bioinformatics Notes .Lect .Intell .Artif Notes .Lect .serSub including (.Sci .Comput Notes .Lect” ,Images Fundus Eye from
64._10.1007/978-3-030-59722-1 :doi 2020, 674,–665 .pp ,LNCS
 2004, 1206,–1196 .pp 7, .no 51, .vol .,Eng .Biomed .Trans IEEE” ,turesfea interval heartbeat and morphology ECG using heartbeats of cationclassifi Automatic “,Reilly .B .R and ,Dwyer’O .M ,Chazal De .P] 30[