تشخیص خودکار آریتمیهای قلبی PAC و PVC در سیگنال ECG تککاناله با استفاده از مدلهای تخصصی مبتنی بر ResNet
الموضوعات : هوش مصنوعی و رباتیک
مهرشاد گلجاریان
1
,
وانیا شایستهفر
2
,
محمدمهدی معینی منش
3
,
علی فتوت احمدی
4
1 - دانشکده برق دانشگاه صنعتی شریف، تهران، ایران
2 - دانشکده برق دانشگاه صنعتی شریف، تهران، ایران
3 - دانشکده برق دانشگاه صنعتی شریف، تهران، ایران
4 - دانشکده برق دانشگاه صنعتی شریف، تهران، ایران
الکلمات المفتاحية: الکتروکاردیوگرام, یادگیری عمیق, آریتمی قلبی, شبکه عصبی کانولوشنی, ResNet, پایگاه داده iCentia11k, هولتر,
ملخص المقالة :
این پژوهش یک سیستم یادگیری عمیق برای تشخیص همزمان دو آریتمی قلبی انقباض زودرس بطنی (PVC) و انقباض زودرس دهلیزی (PAC) ارائه میدهد. رویکرد ما از معماریهای تخصصی 1D-CNN الهامگرفته از ResNet بهره میبرد، به طوری که مدلهای متخصص جداگانهای برای تشخیص هر نوع آریتمی خاص آموزش میبینند. این روش Ensemble به هر شبکه اجازه میدهد تا ویژگیهای متمایز مربوط به کلاس هدف خود را یاد بگیرد. سیستم پیشنهادی بر روی پایگاه داده iCentia11k آموزش داده شده و بر روی دادههای جمعآوری شده در چندین پایگاه داده ارزیابی شده است. سیر پیشپردازش داده شامل تقسیمبندی ضربان قلب، نمونهبرداری مجدد در فرکانس یکنواخت 250 هرتز و نرمالسازی Z-Score میباشد. برای مقابله با عدم تعادل کلاس، یک تابع loss با وزن کلاسی اعمال میشود. مدل پیشنهادی ما برای تشخیص PVC به بازیابی (Recall) برابر با 95.53% و امتیاز F1 برابر با 90.37% در مجموعه آزمایشی دست مییابد. مدل متخصص متناظر برای PAC نیز به بازیابی برابر با 98.00% و امتیاز F1 برابر با 90.13% دست مییابد. صحت (Accuracy) این مدل برابر 96.11% گزارش میشود.
[1] M. A. Scrugli, D. Loi, L. Raffo, and P. Meloni, “A runtime-adaptive cognitive iot node for healthcare monitoring,” in Proceedings of the 16th ACM International Conference on Computing Frontiers, ser. CF ’19. New York, NY, USA: Association for Computing Machinery, 2019, p. 350–357. [Online]. Available: https://doi.org/10.1145/3310273.3323160
[2] M. S. Thaler, The only EKG book you’ll ever need. Wolters Kluwer Health/Lippincott Williams et Wilkins, 2012.
[3] U. B. Baloglu, M. Talo, O. Yildirim, R. S. Tan, and U. R. Acharya, “Classification of myocardial infarction with multi-lead ecg signals and deep cnn,” Pattern Recognition Letters, vol. 122, pp. 23–30, 2019. [Online]. Available: https://www.sciencedirect.com/science/article/pii/S016786551930056X
[4] Özal Yildirim, “A novel wavelet sequence based on deep bidirectional lstm network model for ecg signal classification,” Computers in Biology and Medicine, vol. 96, pp. 189–202, 2018. [Online]. Available: https://www.sciencedirect.com/science/article/pii/S0010482518300738
[5] S. Mehta and A. Aneja, “Enhanced ecg signal analysis using hybrid cnn-lstm and augmentation techniques,” in 2025 International Conference on Automation and Computation (AUTOCOM), 2025, pp. 1657–1661.
[6] K. He, X. Zhang, S. Ren, and J. Sun, “Deep residual learning for image recognition,” in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), June 2016.
[7] A. Natarajan, Y. Chang, S. Mariani, A. Rahman, G. Boverman, S. Vij, and J. Rubin, “A wide and deep transformer neural network for 12-lead ecg classification,” in 2020 Computing in Cardiology, 2020, pp. 1–4.
[8] S. Osowski and T. H. Linh, “Ecg beat recognition using fuzzy hybrid neural network,” IEEE Transactions on Biomedical Engineering, vol. 48, no. 11, pp. 1265–1271, 2001.
[9] S. Tan, S. Ortiz-Gagné, N. Beaudoin-Gagnon, P. Fecteau, A. Courville, Y. Bengio, and J. P. Cohen, “Icentia11k Single Lead Continuous Raw Electrocardiogram Dataset,” PhysioNet, Apr. 2022, version 1.0. [Online]. Available: https://doi.org/10.13026/kk0v-r952
[10] F. Khodami, “Investigating the effect of motion artifacts on the impedance between chest electrodes and skin,” M.S. thesis, Sharif University of Technology, Tehran, Iran, 2021.
[11] A. Zhang, X. Yang, T. Li, M. Dou, and H. Yang, “Classification method of ecg signals based on ranet,” Cardiovascular Engineering and Technology, vol. 15, no. 5, pp. 561–571, Oct 2024. [Online]. Available: https://doi.org/10.1007/s13239-024-00730-5
[12] N. Srivastava, G. Hinton, A. Krizhevsky, I. Sutskever, and R. Salakhutdinov, “Dropout: A simple way to prevent neural networks from overfitting,” Journal of Machine Learning Research, vol. 15, no. 56, pp. 1929–1958, 2014. [Online]. Available: http://jmlr.org/papers/v15/srivastava14a.html
[13] D. P. Kingma and J. Ba, “Adam: A method for stochastic optimization,” 2017. [Online]. Available: https://arxiv.org/abs/1412.6980
[14] J. Johnson and T. Khoshgoftaar, “Survey on deep learning with class imbalance,” Journal of Big Data, vol. 6, p. 27, 03 2019.
[15] J. Pan and W. J. Tompkins, “A real-time qrs detection algorithm,” IEEE Transactions on Biomedical Engineering, vol. BME-32, no. 3, pp. 230–236, 1985.
[16] V. Tihonenko, A. Khaustov, S. Ivanov, and A. Rivin, “St.-petersburg institute of cardiological technics 12-lead arrhythmia database,” 2007. [Online]. Available: https://physionet.org/content/incartdb/
[17] G. Moody and R. Mark, “The impact of the mit-bih arrhythmia database,” IEEE Engineering in Medicine and Biology Magazine, vol. 20, no. 3, pp. 45–50, 2001.
[18] A. L. Goldberger, L. A. N. Amaral, L. Glass, J. M. Hausdorff, P. C. Ivanov, R. G. Mark, J. E. Mietus, G. B. Moody, C.-K. Peng, and H. E. Stanley, “The mit-bih long term database,” 1992. [Online]. Available: https://physionet.org/content/ltdb/
[19] M. Kapsecker, M. C. Möller, and S. M. Jonas, “Disentangled representational learning for anomaly detection in single-lead electrocardiogram signals using variational autoencoder,” Computers in Biology and Medicine, vol. 184, p. 109422, Jan. 2025. [Online]. Available: http://dx.doi.org/10.1016/j.compbiomed.2024.109422
[20] H. Hamami, Y. Solewicz, D. Zur, Y. Kleerekoper, and J. A. Behar, “upvc-net: A universal premature ventricular contraction detection deep learning algorithm,” IEEE Transactions on Biomedical Engineering, p. 1–10, 2026. [Online]. Available: http://dx.doi.org/10.1109/TBME.2026.3655531
[21] M. Kapsecker and S. M. Jonas, “Cross-device federated unsupervised learning for the detection of anomalies in single-lead electrocardiogram signals,” PLOS Digital Health, vol. 4, no. 4, p. e0000793, Apr. 2025. [Online]. Available: http://dx.doi.org/10.1371/journal.pdig.0000793
[22] K. A. Purtova, V. A. Moskalenko, L. A. Smirnov, G. V. Osipov, and N. Y. Zolotykh, “Problem analysis of the experiment formulation correctness in the task of ecg diagnostics using machine learning methods,” SSRN preprint, no. 4947212, 2024.
[23] K. Tateno and L. Glass, “A method for detection of atrial fibrillation using rr intervals,” in Computers in Cardiology 2000. Vol.27 (Cat. 00CH37163), 2000, pp. 391–394
