فهرست نشریات علمی دسترسی آزاد ایران

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 غیرطبیعی در ضربان قلب موثر و حائز اهمیت است. تشخیص کمپلکس QRS در سیگنال FECG در تعیین معیار‌های مرتبط با سلامت جنین هم‌چون نرخ ضربان قلب جنین، تشخیص بیماری‌های قلبی مادرزادی، دیسترس، هیپوکسی جنین و برخی از بیماری‌های دیگر نقش به سزایی دارد. از این رو 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 داده‌ی معرفی شده در مجموعه‌ی a از چالش 2013 فیزیونت است. در مطالعه‌ی حاضر استفاده از یک معماری شبکه‌ی عصبی کانولوشنی (CNN) یک‌بعدی پیشنهاد شده است. شبکه‌ی عمیق پیشنهادی دارای 20 لایه شامل 5 لایه‌ی کانولوشنی، 7 لایه‌ی نرمال‌سازی دسته‌ای، 3 لایه‌ی حذف تصادفی و 3 لایه‌ی متراکم است. در گام اول از الگوریتم پیشنهادی ابتدا سیگنال AECG تحت پیش‌پردازش قرار گرفته، سپس با تغییر اندازه‌ی سیگنال ورودی، داده‌افزایی و هم‌چنین ساخت برچسب‌های قابل استفاده توسط شبکه، داده‌ها برای استفاده توسط شبکه‌ی عمیق پیشنهادی آماده شده است. در گام بعد داده‌ها با هدف آموزش و ارزیابی به عنوان ورودی در اختیار شبکه‌ی پیشنهادی قرار داده شده است. روش پیشنهادی به کمک معیارهایی هم‌چون صحت، میانگین مربعات خطا، امتیاز F1، حساسیت، اختصاصیت و دقت مورد ارزیابی قرار گرفته و در ادامه با نتایج حاصل از سایر تحقیقات صورت گرفته روی این پایگاه داده، مقایسه شده است. در این مطالعه چندین رویکرد برای ارزیابی شبکه‌ی پیشنهادی مورد استفاده قرار گرفته است. در بهترین رویکرد صحت، حساسیت، اختصاصیت و دقت شبکه‌ی پیشنهادی در شناسایی کمپلکس QRS جنین به ترتیب معادل 79/96%، 91/97%، 79/92% و 88/97% است. از جمله نوآوری‌های شبکه‌ی پیشنهادی عدم حذف الکتروکاردیوگرام مادر و قابلیت آموزش شبکه تنها با استفاده از 20 سیگنال از ثبت‌های AECG است.