شناسایی کمپلکس QRS جنین از ثبت غیرتهاجمی سیگنال الکتروکاردیوگرام شکمی به کمک روش‌های یادگیری ژرف

چکیده:

نارسایی‌های ‌قلبی مادرزادی یکی ‌از‌ دلایل‌ اصلی ‌مرگ‌های ‌مرتبط ‌با نارسایی‌ در زمان تولد ‌است‌. پایش سیگنال الکتروکاردیوگرام قلب جنین (FECG) در تشخیص زودهنگام نارسایی‌های قلبی و الگوهای غیرنرمال در ضربان قلب مؤثر و حائز اهمیت است. تشخیص کمپلکس QRS در سیگنال FECG در تعیین معیار‌های مرتبط به سلامت جنین همچون نرخ ضربان قلب جنین، فواصل بین هر تپش، تشخیص بیماری‌های قلبی مادرزادی، دیسترس، هیپوکسی جنین و... نقش به سزایی دارد. در این مطالعه روشی نوین و خودکار مبتنی بر روش‌های یادگیری عمیق ارائه گردیده است که از این طریق می‌توان اقدام به شناسایی کمپلکس QRS جنین از سیگنال ECG شکمی (AECG) نمود. پایگاه داده‌ی مورد استفاده در این مطالعه برگرفته از پایگاه داده معرفی شده در مجموعهa  از چالش 2013 فیزیونت است. مطالعه حال حاضر استفاده یک معماری شبکه CNN یک‌بعدی را پیشنهاد می‌کند. معماری شبکه عمیق پیشنهادی دارای 20 لایه است و شامل 5 لایه کانولوشنی، 7 لایه نرمال‌سازی دسته‌ای، 3 لایه حذف تصادفی و 3 لایه متراکم است. گام اول از الگوریتم پیشنهادی شامل پیش‌پردازش داده‌هاست. در این گام با تغییر اندازه سیگنال ورودی، داده افزایی و همچنین ساخت برچسب‌های قابل‌استفاده توسط شبکه، داده‌ها برای استفاده توسط الگوریتم پیشنهادی آماده می‌شود. در گام بعدی سیگنال AECG با هدف آموزش و ارزیابی به‌عنوان ورودی در اختیار الگوریتم پیشنهادی قرار می‌گیرد. روش پیشنهادی به کمک معیارهایی همچون صحت، میانگین مربعات خطا، امتیاز F1، حساسیت، اختصاصیت و دقت مورد ارزیابی قرارگرفته و در ادامه با نتایج حاصل از دیگر تحقیقات صورت گرفته بر روی این پایگاه‌داده، مورد مقایسه قرارگرفته است. در این مطالعه چندین رویکرد برای ارزیابی شبکه پیشنهادی مورد استفاده قرار گرفته است. در بهترین رویکرد صحت، حساسیت، اختصاصیت و دقت شبکه پیشنهادی در شناسایی کمپلکس QRS جنین به ترتیب معادل 72/96%، 88/97%، 85/92% و 84/97% است. لازم به ذکر است از جمله نوآوری های شبکه پیشنهادی عدم حدف الکتروکاردیوگرام مادر و قابلیت آموزش شبکه تنها با بخش کوچکی از ثبت‌های AECG  است.