رویکرد چندوجهی شبکه‌های عصبی پیچشی برای پیش‌بینی مرگ ناگهانی قلبی و تمایز از نارسایی قلبی

نویسندگان
doi
10.22118/jsmj.2025.515064.3885
چکیده

زمینه و هدف : مرگ ناگهانی قلبی ( SCD ) همچنان یکی از علل اصلی مرگ‌ومیر در سراسر جهان است. هدف از این مطالعه پیش‌بینی زودهنگام SCD و تمایز آن از نارسایی احتقانی قلب ( CHF ) است که الگوهای الکتروکاردیوگرافی مشابهی دارد. روش بررسی: در این مطالعه، مدل‌های کم‌عمق و کاملاً خودکار مبتنی‌بر شبکه‌های عصبی کانولوشن ( CNN ) برای پیش‌بینی SCD ارائه شده است، به‌طوری که سیگنال الکتروکاردیوگرام ( ECG ) به‌عنوان ورودی به مدل داده شده و طبقه‌بندی در انتهای مدل انجام شده است. یافته‌ها: مدل اول، که مبتنی‌بر CNN های یک‌بعدی بود، توانست SCD را با دقت 96 درصد پیش‌بینی کند. در مرحله بعد، با اضافه ‌ کردن داده‌های مربوط به CHF ، دقت 85/97 درصد در طبقه‌بندی سه ‌ کلاسه (عادی، قبل از مرگ ناگهانی قلبی و نارسایی قلبی) به دست آمد. در مدل دوم، که مبتنی‌بر CNN های دوبعدی بود، ابتدا هر بخش از سیگنال‌های ECG با استفاده از تبدیل موجک پیوسته ( CWT )، به تصاویر دوبعدی تبدیل و به‌عنوان ورودی به مدل داده شدند. این مدل توانست SCD را با دقت 99 درصد پیش‌بینی کند. نتیجه ‌ گیری: مدل‌های کاملاً خودکار مبتنی‌بر CNN پیشنهادی، دقت پیش‌بینی بالایی را برای SCD ، در عرض یک ساعت قبل از وقوع آن، نشان دادند.