دانلود ترجمه مقاله مدل های یادگیری ماشینی خاص بیمار برای طبقه بندی سیگنال الکتروکاردیوگرام (ساینس دایرکت – الزویر ۲۰۲۰)

مدل های یادگیری ماشینی خاص بیمار برای طبقه بندی سیگنال الکتروکاردیوگرام (ECG)

Patient Specific Machine Learning Models for ECG Signal Classification

خلاصه

۱ مقدمه

۲ کارهای مرتبط

۳ مواد و روش ها

۴ نتایج آزمایش

۵ نتیجه گیری

منابع

چکیده

     آریتمی یکی از عمده ترین دلایل مرگ در سراسر جهان است. تقریبا ۱۷٫۹ میلیون مرگ و میر،  ناشی از بیماریهای قلبی عروقی است. به منظور کاهش این میزان مرگ و میر ، بیماریهای قلبی عروقی باید به درستی شناسایی شود و درمان مناسب باید فورا به بیماران ارائه شود . در این مطالعه ، یک طبقه بندی جدید ماشین بردار پشتیبانی مبتنی بر گروه (SVM) برای طبقه بندی ضربان قلب به چهار کلاس از بانک اطلاعاتی آریتمی MIT-BIH پیشنهاد شده است. نتایج با دیگر طبقه بندی کننده هایی که SVM بودند ، الگوریتم جنگل تصادفی  (RF) ، الگوریتم K-نزدیکترین همسایه (KNN) و الگوریتم حافظه کوتاه مدت ماندگار ، مقایسه شد. چهار ویژگی که از سیگنالهای ECG که توسط طبقه بندیگرها استفاده شده ،  استخراج شده است ، موجک ها  ، آمار های مرتبه بالا ، فواصل R-R و خصوصیات مورفولوژیکی است. گروهی از SVM ها با دقت کلی ۹۴٫۴٪ بهترین نتیجه را کسب کردند.

۲- کارهای مرتبط
     بسیاری از محققان با به کارگیری ویژگی های استخراج مختلف سیگنال های ECG و روش های طبقه بندی گوناگون، از کاربرد پیش از این طبقه بندی خودکار آریتمی خبر دادند. برای تشخیص مؤثر موارد غیرطبیعی و پرداختن به مشکلات مختلفی که به دلیل آنالیز دستی سیگنال های ECG بوجود می آید، در چندین پژوهش استفاده از طیف گسترده ای از تکنیک های یادگیری ماشینی و یادگیری عمیق بررسی شد[۹-۱۰]. اصولا، طبقه بندی سیگنال ECG شامل چهار مرحله به نام پیش پردازش، دسته بندی، استخراج ویژگی ها و طبقه بندی می باشد. وظیفه اصلی کار پیش پردازش، آماده سازی سیگنال ها یعنی شناسایی و کاهش ضربان مصنوعات مربوط به سیگنال های ECG است. همچنین این مرحله شامل تقویت و نرمال سازی است. پس از پیش پردازش، دسته بندی انجام می شود، که در آن سیگنال برای بهبود حالت فعالیت های الکتریکی و عضلانی قلب به بخش های کوچک تقسیم می شود[۱۱]. از مهم ترین و آخرین مراحل در تشخیص ضربان قلب که در تحقیقات پیشین بررسی شد، طبقه بندی و استخراج ویژگی ها است. می توان نقاط اوج را مستقیماً از مورفولوژی سیگنالهای ECG (تکنیک های زمان مساحت) یا در نتیجه تغییرات استخراج کرد. فواصل R-R، دامنه نوسان و مدت زمان کمپلکس QRS نقاط اوجی است که در بعضی از نوشتارها توجه بیشتری به آن شده است [۱۲-۱۴]. در هر صورت، این نقاط اوج به مورفولوژی و عناصر ECG حساس است. در این مرحله، تغیبر شکل، نشان دهنده جواب است. دیدگاه ترجیحی در مورد استخراج مولفه این است که از شمار ضربان موج برای پالس ها جلوگیری شود.

      طبق طبقه بندی های ECG، استفاده از هر طبقه بندی کننده چند طبقه ای می تواند برای طبقه بندی ECG انجام شود. نزدیکترین همسایگان K (KNN)، ماشین بردار پشتیبانی (SVM)، درخت تصمیم گیری (DT) [15] و شبکه عصبی مصنوعی (ANN) از جمله طبقه بندی کننده های مطرح است. از بین اینها، رایج ترین آن SVM است. با تلفیقی از SVM و استخراج ویژگی ها به وسیله ۲ روش پیش پردازش، اسوسکی و همکاران روش جدیدی ارائه کردند [۱۶] که پس از بررسی نتایج ۱۳ نوع ریتم قلبی، قابلیت اتکا و سودمندی آن اثبات شد. محمدزاده و همکاران به منظور طبقه بندی آریتمی قلبی با سیگنال HRV، از روش GDA و SVM استفاده کردند[۱۷]. SVM سلسله مراتبی [۱۸] ، ترکیب SVM با بهینه سازی ازدحام ذره (PSO) [19] ، SVM وزنی [۲۰] و حداقل مربعات SVM [21] برخی از تغییرات مختلفی هستند که در طبقه بندی سیگنال های ECG به کار رفته است. در میان برخی از طبقه بندی کننده هایی که همراه با ANN هستند، شبکه عصبی احتمالی (PNN) و پرسپترون چند لایه ای (MLP) بسیار رایج هستند. دررابطه با مجموعه ویژگی های مختلف، لوز و همکاران MLP را با دیگر طبقه بندی کننده ها مقایسه کردند [۱۱]. برای استخراج ویژگی های مختلف توسط PCA چند مقیاسی، آلکویچ و سوباسی از سیگنال های حذف نویز، مدل سازی اتورگرسیو استفاده کردند [۲۲].