دانلود ترجمه مقاله کاربرد یادگیری عمیق برای تشخیص ضربان قلب با سیگنال ECG

1. مقدمه 2. مواد و روش ها 3. کاربردها و بررسی 4. بحث و بررسی 5. نتیجه گیری

چکیده – مدل های یادگیری عمیق، به یک حالت محبوب برای طبقه بندی داده های الکتروکاردیوگرام (ECG) تبدیل شده اند. محققان از انواع تکنیک های یادگیری عمیق برای این موضوع استفاده کرده اند. در اینجا، بررسی دقیق روش های یادگیری عمیق برای تشخیص آریتمی ECG ارائه شده است. رویکردهای مورد استفاده توسط محققین مورد بررسی قرار گرفته و مشارکت آنها در این زمینه به تفصیل بیان شده است. برای این منظور، مقالات مجلات با توجه به روش های مورد استفاده، بررسی شده اند. علاوه بر این، مدل های مختلف یادگیری عمیق و مطالعات تجربی توصیف و مورد بحث قرار گرفته اند. سپس یک مجموعه داده ECG پنج کلاسه حاوی 100,022 ضربان برای تجزیه و تحلیل بیشتر تکنیک‌ های یادگیری عمیق مورد استفاده قرار گرفت. مدل های ساخته شده با این مجموعه داده مورد بررسی قرار گرفتند و نتایج ارائه شدند. بنابراین این مطالعه اطلاعاتی در مورد رویکردهای یادگیری عمیق مورد استفاده برای طبقه بندی آریتمی و پیشنهاداتی برای تحقیقات بیشتر در این زمینه ارائه می دهد. مقدمه: آریتمی ها، گروه مهمی از اختلالات قلبی عروقی محسوب می شوند. ممکن است آریتمی به خودی خود یا همراه با سایر بیماری های قلبی عروقی، رخ دهد [1]. به دلیل نرخ بالای مرگ و میر در بیماری قلبی، تشخیص زودهنگام و متمایزسازی دقیق آریتمی برای درمان بیمار، امری مهم تلقی می گردد [2]. رایج ترین راه حل مورد استفاده برای تشخیص آریتمی، توسط ثبت نوار قلب (ECG) است که فعالیت الکتریکی قلب را در طول زمان بواسطه الکترودهای قرار داده شده روی پوست، نشان می دهد. می توان توسط لیدهای ECG، که پتانسیل الکتریکی قلب را از زوایای مختلف و موقعیت ‌های مختلف ضبط می‌ کنند و از طریق ناهنجاری ‌ها در شکل یا ریتم موج، برای نشان دادن وضعیت بیماری استفاده نمود [3].ECG ، ثبت مشخصات الکتریکی ضربان قلب می باشد و به یکی از مهمترین ابزارها در تشخیص بیماری قلبی تبدیل شده است. تشخیص طیف گسترده ای از ناهنجاری ها، از آریتمی گرفته تا سندرم حاد کرونری، بسیار مهم است [4]. این تشخیص نه تنها شامل اطلاعات زیادی در مورد ساختار قلب می باشد، بلکه در مورد عملکرد سیستم هدایت الکتریکی نیز می باشد [5]. انواع مختلف آریتمی با الگوهای متفاوت مطابقت دارد و می تواند با شکل موج های مختلف ECG نشان داده شود [6]. این الگوها حاوی اطلاعاتی در مورد عملکرد و وضعیت قلب هستند. بنابراین، پایش و تشخیص سیگنال های ECG یک موضوع مهم در بیوپزشکی به شمار می آید [7].

Deep learning models have become a popular mode to classify electrocardiogram (ECG) data. Investigators have used a variety of deep learning techniques for this application. Herein, a detailed examination of deep learning methods for ECG arrhythmia detection is provided. Approaches used by investigators are examined, and their contributions to the field are detailed. For this purpose, journal papers have been surveyed according to the methods used. In addition, various deep learning models and experimental studies are described and discussed. A five-class ECG dataset containing 100,022 beats was then utilized for further analysis of deep learning techniques. The constructed models were examined with this dataset, and results are presented. This study therefore provides information concerning deep learning approaches used for arrhythmia classification, and suggestions for further research in this area. Introduction: Arrhythmias are an important group of cardiovascular disorder. An arrhythmia may occur on its own or in conjunction with other cardiovascular diseases [1]. Because of the high mortality rates in heart disease, early diagnosis and definitive differentiation of arrhythmias are important to patient treatment [2]. The most commonly used solution for arrhythmia detection is with the recording of the electrocardiogram (ECG), which displays the electrical activity of the heart over time from electrodes placed on the skin. The ECG leads, which capture the electrical potential of the heart from different angles and positions, can be used to indicate disease state via abnormalities in waveforms or rhythms [3]. The ECG is a record of the electrical characteristics of the heartbeat and has become one of the most important tools in the diagnosis of heart disease. It is crucial to diagnose a broad spectrum of abnormalities, from arrhythmia to acute coronary syndrome [4]. It contains much information not only about the structure of the heart, but also concerning the function of the electrical conduction system [5]. Different types of arrhythmias correspond to different patterns that can be represented by different ECG waveforms [6]. These patterns contain information about heart function and condition. Therefore, monitoring and recognition of ECG signals is an important issue in biomedicine [7].