دانلود ترجمه مقاله مقایسه طبقه بندی کننده ویژگی و شبکه عصبی کانولوشنی برای شناسایی آریتمی

1. مقدمه 2. مواد 3. روشها 4. نتایج 5. بحث و بررسی 6. نتیجه گیری

چکیده – تشخیص بیماری های قلب و عروق، همانند فیبریلاسیون دهلیزی (AF)، یک روند گسترده و طولانی است که اغلب نیاز به معاینه بصری سیگنال های ECG، توسط متخصصان دارد. به منظور بهبودبخشی مدیریت بیمار و همچنین کاهش هزینه های مراقبت و درمان، شناسایی اتوماسیون شده این بیماری ها اهمیت خارق العاده ای دارد. در این مطالعه، قسمت های کوتاه ECG را در 4 دسته تقسیم بندی می کنیم (AF، عادی، سایر ریتم ها یا نویز) که به عنوان بخشی از فیزیونت/محاسبه در چالش 2017 قلب و عروق به شمار می رود. ما مدرن ترین طبقه بندی کننده های مبتنی بر ویژگی را با یک رویکرد مبتنی بر شبکه عصبی کانولوشنی مقایسه می کنیم. هر دو روش، با استفاده از داده های چالش، به طور تکمیلی، با پایگاه داده دیگری که از فیزیونت به دست آمده، آموزش داده شده اند. طبقه بندی کننده مبتنی بر ویژگی، یک نمره F1 برابر با 72%، در مجموعه آموزشی (اعتبارسنجی متقابل 5 گانه) و 79% در مجموعه آزمایشی مخفی به دست آورده است. به طور مشابه، شبکه عصبی کانولوشنی، در پایگاه داده تکمیل شده، نمره 72.1% و در مجموعه آزمایشی، 83% به دست آورد. روش دوم، نمره نهایی 79% را در رقابت به دست آورد. روتین های توسعه یافته و مدل های از پیش آموزش یافته به طور آزادانه، تحت یک گواهینامه GNU GPLv3 در دسترس هستند.

The diagnosis of cardiovascular diseases such as atrial fibrillation (AF) is a lengthy and expensive procedure that often requires visual inspection of ECG signals by experts. In order to improve patient management and reduce healthcare costs, automated detection of these pathologies is of utmost importance. In this study, we classify short segments of ECG into four classes (AF, normal, other rhythms or noise) as part of the Physionet/Computing in Cardiology Challenge 2017. We compare a state-of-the-art feature-based classifier with a convolutional neural network approach. Both methods were trained using the challenge data, supplemented with an additional database derived from Physionet. The feature-based classifier obtained an F 1 score of 72.0% on the training set (5-fold cross-validation), and 79% on the hidden test set. Similarly, the convolutional neural network scored 72.1% on the augmented database and 83% on the test set. The latter method resulted on a final score of 79% at the competition. Developed routines and pre-trained models are freely available under a GNU GPLv3 license.