19907

BIOMED2 136

كارشناسي ارشد

مهندسي پزشكي- بيوالكتريك

فني و مهندسي

اسفندماه 1399

89ص.

محمدرضا يزدچي

شبكه عصبي پيچشي , تبديل موجك پيوسته , آريتمي مرگ‌آور قلبي , ميكروكنترلر‌ ARM , تشخيص بلادرنگ

تشخيص بلادرنگآريتميهايمرگ‌آور قلبي يكي از مهم‌ترين مسائل پزشكي امروزه است. تعداد بسيار زيادي از مرگ‌ومير سالانه مربوط به بيماري‌هاي قلبي عروقي مي‌شود. طي تحقيقات متخصصان، نارسايي قلبي بالاترين رتبه را در بين بيماري‌هاي قلبي و يكي از بالاترين رتبه‌ها را در كل سرانه مرگ‌ومير جهاني دارد. يكي از راه‌هاي تشخيص نارسايي قلبي عروقي تشخيص نارسايي‌هاي قلبي از نوار قلبي و تحليل آن است. ازآنجايي‌كه بعد از بروز يكي از اين نارسايي‌ها، فرد فرصت كمي براي زنده ماندن دارد، لذا تشخيص سريع و دقيق بسيار مهم است. جهت تشخيص سريع و به‌موقع يك دستگاه كارآمد قابل‌حمل نياز است. دستگاهي كه توانايي پايشي دائمي براي افراد مستعد بيماري داشته باشد، بايد از الگوريتم عملكرد مناسب و كيفيت ساخت بسيار مطلوبي برخوردار باشد. تاكنونروش‌هاي تشخيصي بسياري توسط دانشمندان ارائه شده است. در اينروش‌ها به مشخصات زماني، محتويات فركانسي، استخراج ويژگي و بررسي مؤلفه‌هاي آماري نوار قلبي توجه شده‌است. در اين مطالعه به بررسي روشي براي تشخيص آريتمي‌هايمرگ‌آور پرداخته شده كه هم محتويات فركانسي و هم محتويات زماني را در خود داشته باشد. در اين روش ابتدا از فواصلِ سه‌ثانيه‌ايِ غيرهمپوشانِ نوارِ قلبي تبديلِ موجكِ پيوسته گرفته و سپس نگاشت دوبعدي زمان - فركانس تحت قالب تصوير ارائه مي‌شود. سپس اين تصوير به ورودي به يك شبكه عصبي پيچشي وارد شده و فرايند آموزش روي اين تصاوير انجام مي‌گيرد و در نهايت پس از آموزش كافي و مناسب از شبكه به‌دست‌آمده براي تشخيص نمونه‌هايآزمايشي بر روي ميكروكنترلر‌ARMV3s فرايند تشخيص پياده‌سازيشده‌است. با اين كه اين مطالعه در مقايسه با مطالعه‌هاي مشابه از روش يادگيري ماشين استفاده مي‌كند اما روش‌هاي ارائه شده در اين مطالعه برخلاف مطالعات پيشين، از شبكه عصبي پيچشي براي سيگنالدوبعدي زمان-فركانس نوار قلبي استفاده مي‌كند.در اين مطالعه از پايگاه داده‌هاي عمومي دانشگاه ام‌آي‌تي و دانشگاه كريتون استفاده شده است.صحت66/94 درصد، حساسيت 71/93 درصد و اختصاصي‌14/97 درصد، ميزان عملكرد شبكه عصبي را گزارش مي‌كنند و زمان پاسخ‌گوييشبيه‌سازي بر روي ميكروكنترلر‌ حدود 0٫7 ثانيه است.

1400/04/26

صديقه رمضاني

Deep CNN , CWT , Fatal arrhythmias detection , Malignant arrhythmias , Real-time detection , ARM microcontroller

Improvement in Detection of Heart Fatal Arrhythmias and Implementation on an ARM-Based Platform

مهندسي پزشكي

Nowadays Immediate diagnosis of fatal ventricular arrhythmias is one of the most challenging medical issues. A large number of yearly deaths are related to heart disease. During the research of experts, heart failure is the highest-ranked among other heart diseases and it is one of the highest-ranked in the overall global per-capita death. One way to diagnose cardiovascular failure is to diagnose and analyze heart failure from ECG signals. Because of the low possibility of survival after malignant arrhythmias, quick detection and immediate action are so important. An efficient portable device is highly needed for fast and precise detection. A device that can constantly monitor talented people, must use a high-performance algorithm and good construction. So far, lots of diagnostic methods have been proposed by scientists. Some methods pay attention to the time features of the ECG, some rely-on frequency content, some methods concentrate on extraction and finding features and parameters of ECG, and some others are relyed on statistical methods. This study handles on a way to have both time and frequency in hand. In this method, non-overlapping three-second intervals from raw ECG signal are converted into colored images using CWT and then provide a two-dimensional time-frequency mapping of those segments. Then these images are fed input to a convolutional neural network for training. Finally, after a sufficient and appropriate amount of training, the coefficients matrix is used to recognize the test specimens on an ARM V3s microcontroller. The dataset used for this study is downloaded from commonly access MIT-BIH and Creighton university databases. This CNN obtained 94.44% of accuracy, 91.71% of sensitivity, and 97.14% of specificity on this dataset, and the response time for the microcontroller is as fast as about 0.7 seconds on the classification of each test set image. Compared to similar studies, this study uses the machine learning method, but methods presented in previous studies which used a convolutional neural network used a 1-dimensional ECG signal only. This method has also been proposed in another study to classify atrial fibrillation arrhythmia, which provided good results. In a similar study using a deep CNN, accuracy, sensitivity, and specificity were 94.70, 95.93, and 94.38% for the 10-second window, respectively, and for a 2-second window obtained 93.18, 95.32, and 91.04, respectively, and for The 3-second interval, it was reported at 98.4, 92.05 and 99.1, respectively. This study has good accuracy and relatively less detection time for the real-time system compared to the same study. The network of this study is simpler and has fewer layers due to the real-time approach of the system and the ability to run on the microcontroller. Therefore, a relative decrease is felt in some statistics reports.

5

35036