تشخیص انواع ناهنجاری های قلبی با استفاده از یادگیری عمیق مبتنی بر هزینه

یکی از راه های تشخیص بیماری های ناشی از ناهنجاری های قلبی، بررسی سیگنال های الکتروکاردیوگرام است. این سیگنال ها به صورت سیگنال های پیوسته زمانی هستند که قبل از پردارش باید به ضربان های قلب شکسته شوند. از آنجایی سیگنال های قلبی در حجم زیاد ذخیره می شوند پردازش آنها توسط روش های معمول یادگیری ماشین دشوار است. همچنین مسیله تشخیص نوع ناهنجاری در سیگنال های الکتروکاردیوگرام تنها یک مسیله دسته بندی چند رده ای نیست؛ بلکه با توجه به ماهیت مجموعه داده های واقعی موجود، یک مسیله دسته بندی داده های نامتعادل است. در این زمینه یک راه حل بالقوه، استفاده از راهکارهای مبتنی بر هزینه است که ممکن است در سطح الگوریتم یا سطح داده پیاده سازی شوند. در این مقاله، یک مدل مبتنی بر یادگیری عمیق با استفاده از شبکه هم آمیختی برای تشخیص نوع ناهنجاری قلبی ارایه شده است که علاوه بر اعمال هزینه در سطح داده با استفاده از تابع ضرر مبتنی بر هزینه در مرحله یادگیری، هزینه دسته بندی اشتباه را برای رده های دارای تعداد نمونه کمتر افزایش می دهد. مدل پیشنهادی همچنین از یک روش بخش بندی ضربان قلب در مرحله پیش پردازش استفاده می کند که حاوی اطلاعات بیشتری برای دسته بندی هستند. نتایج تجربی مدل پیشنهادی بر روی مجموعه داده MIT-BIH در مقایسه با روش کاچویی و 3 روش رقیب دیگر، بجز در معیار یادآوری، سایر شاخص های صحت، دقت و معیار F برتری روش پیشنهادی را نشان می دهند و بر اساس معیار یادآوری دومین بهترین نتیجه حاصل شده است. به طور خاص در شاخص صحت کل در مقایسه با بهترین روش رقیب 20٪ بهبود و برای معیار F در دسته های غیرنرمال 26٪ بهبود حاصل شده است