مقاله کامل آریتمی

/
موضوع: آریتمی
تهیه و تنظیم: زهرا عزیزی
دانشگاه علوم پزشکی ایران
بیمارستان فیروز آبادی
پاییز 99
فهرست مطالب
چكیده 2
1.مقدمه 2
2.یادگیریعمیق 3
3.روشپیشنهادیDL- Arrhythmia 4
۴. نتایجآزمایشات 5
۱٫۴دادگان 5
4.2 نتایج 6
5.جمعبندی 6
6.منابعومراجع 8
چكیده
بیماریهای قلبی یکی از شایعترین انواع بیماریها است که آمار بسیار بالایی از مرگ و میر را به خود اختصاص میدهد. آریتمی ها ضربانهای غیر طبیعی هستند، که موجب میشوند قلب خیلی سریع (تاکی کارد) یا خیلی آهسته (برادی کارد) بزند و پمپاژ غیر مؤثر داشته باشد. تجزیه وتحلیل خودکارالکتروکاردیوگرام برای تشخیص ودرمان بیماران قلبی حیاتی است. روشهای متعددی از قبیل درخت تصمیم، شبکه عصبی ، SVM، بیزین و k نزدیکترین همسایگی برای تحلیل سیگنالهای ECG در تشخیص آریتمی مطرح گردیده اند. در این مقاله ضمن بررسی اجمالی این روش ها، بکارگیری شبکه عصبی عمیق برای تشخیص انواع آریتمی پیشنهاد شده است. در آزمایشات انجام شده روی دادگان آریتمی UCI عملکرد بهتر روش پیشنهادی مشاهده گردید.
کلمات کلیدی
بیماری آریتمی قلبی ، ECG، یادگیری عمیق، طبقه بندی
1.مقدمه
آریتمی ها خیلی شایع بوده و سالانه میلیون ها نفر را در جهان درگیر میکنند که علت اصلی مرگ ناگهانی قلبی در ایالات متحده هستند و سالیانه موجب 400000 مرگ میشوند[1]. بنابراین آریتمی ها می توانند در صورتی که کاهش شدیدی در عملکرد پمپاژی قلب ایجاد نمایند، تهدید کننده باشند. وقتی عملکرد پمپاژی قلب به مدت بیش از چند ثانیه به شدت کاهش یافت، گردش خون ضرورتاضرورتاً قطع می شود و به ارگانهایی مثل مغز آسیب می رساند. در زمینه تشخیص آریتمی کارهای زیادی انجام شده که ناروئی و همکارش در سال 2015 با کمک روش Fisher و ماشین بردار پشتیبان حداقل مربعات سعی در کاهش بار محاسباتی و افزایش نرخ صحیح بازشناسی داشتند[2]. ناروئی و همکارش در سال 2015 با روش PCA ابعاد ویژگی را کاهش دادند و از MLP برای طبقه بندی استفاده کردند[3]. Samad و همکارانش در سال 2014 از سه مدل k نزدیکترین همسایگی،درخت تصمیم و Naive Bayes برای طبقه بندی استفاده کردند[4]. Jadhav و همکارانش در سال 2010 یک شبکه عصبی مدولار با تعدادلایه های پنهان مختلف از یک تا سه و با درصد آموزش مختلف در پارتیشن مجموعه داده ارائه دادند. آنها مقادیر ویژگی های گم شده این مجموعه داده ها
را با مقادیر نزدیک ترین کلاس مربوطه جایگزین کردند[5]. Jadhav و همکارانش در سال 2010 دوباره یک شبکه عصبی چند لایه با الگوریتم پس انتشار ارائه کردند که به دقت بهتری نسبت به روش قبلی خود رسیدند[6] . Malay و همکارش در سال 2013 با استفاده از انتخاب ویژگی مبتنی بر همبستگی(CFS) ابعاد ویژگی را کاهش داده و برای طبقه بندی از شبکه عصبی پس انتشار تدریجی و الگوریتم LM استفاده کردند[7]. Kohliو همکارش در سال 2011از PCA برای استخراج ویژگی و از SVM به عنوان طبقه بند برای 6 کلاس استفاده [8].در این مقاله با توجه به اینکه روشهای متداول در تشخیص آریتمی دارای نرخ صحیح بازشناسی کمی بوده و از جهتی فاز کاهش ویژگی و یاد گیرنده از هم جدا می باشد، در این مقاله از یادگیری عمیق شبکه عصبی ای با تعداد لایۀ زیاد و تعداد نودهای زیاد برای تشخیص آریتمی استفاده شده است. با توجه به اینکه سیستم یادگیری تنوع در دادگان را دارد انتظار می رود که روش پیشنهادی نسبت به دیگر روشها عملکرد بهتری داشته باشد.
ادامه این مقاله به این صورت است که در بخش دوم مقاله به معرفی یادگیری عمیق پرداخته می شود. در بخش سوم روش پیشنهادی آورده می شود. نتایج آزمایشات در بخش چهارم گزارش می شود. و در نهایت جمع بندی آورده می شود.
2.یادگیری عمیق
یادگیری عمیقشاخه ای از بحث یادگیری ماشینی و مجموعه ای از الگوریتم هایی است که تلاش می کنند مفاهیم انتزاعی سطح بالا را با استفاده یادگیری در سطوح و لایه های مختلف مدل کنند[9] . یادگیری عمیق در واقع نگرشی جدید به ایده ی شبکه های عصبیمی باشد که سالیان زیادی است وجود داشته و هر چند سال یکبار در قالبی جدید خود را نشان می دهد[10]. روشن کردن این نکته ضروری به نظر می رسد که شبکه های عصبی یک لایه ی مخفی درونی دارند و شبکه ای که چندین لایه ی مخفی درونی داشته باشد شبکه عمیق نامیده می شود. دو مزیت این شیوه ی یادگیری در زیر آمده است.
باز نمایی یادگیری: نیاز اصلی هر الگوریتم یادگیری ویژگی هاییاست که از ورودی ها استخراج می شود . ممکن است این ویژگی ها از پیش به صورت دستی تهیه شده و به الگوریتم خورانده شود که این روش در الگوریتم های با ناظر به کار می رود . در مقابل روش های بدون نظارت خواهد
بود که خود اقدام به استخراج ویژگی ها از ورودی خواهد نمود. استخراج دستی ویژگی ها علاوه بر اینکه زمانبر است معمولا هم ناقص و در عین حال بیش از حد نیازنیازِ ذکر شده می باشد. یادگیری عمقی برای ما یک راه استخراج خودکار ویژگی ها پدید می آورد[11].
یادگیری چندین لایه ی باز نمایی ها: یادگیری عمقی برای ما این امکان را به وجود می آورد که بتوانیم که مفاهیم با سطح انتزاع بالا را با استفاده از یادگیری چند لایه از پایین به بالا بسازیم به شکل 1 توجه کنید. این تصویر مفهوم لایه لایه بودن مراحل یادگیری را در بازشناسی چهره ی انسان به خوبی نمایش می دهد
در پاسخ به این سوال که چرا اکنون دوباره به این ایده برگشته ایم و علت رستاخیر مجدد یادگیری عمقی میتوان دلایل متعددی ذکر کرد از جمله به وجود آمدن روش های استخراج خودکار که از جمله ی آن ها میتوانRBMs ,AutoEncoder , …نام برد و همچنین رسیدن به درک بهتری از روش های منظم کردن مدل ها . منبع[12]بود که با نتایج جالب خود دوباره توجه ها را به شبکه های عصبی و یادگیری عمیق بازگرداند.
/
شکل 1: لایه لایه بودن مراحل یادگیری
3.روش پیشنهادیDL-Arrhythmia
ما یک شبکه عصبی عمیق با 7 لایه که شامل یک لایه ورودی ، 5 لایه میانی که به ترتیب شامل 20، 30، 40، 50 و 60 نرون هستند و یک لایه خروجی و 140 ورودی را برای هر دو طبقه بندی باینری و چند کلاسه بکار گرفتیم. این شبکه بر مبنای الگوریتم پس انتشار خطا اموزش می بیند. بدین ترتیب که خروجی های واقعی با خروجی های دلخواه مقایسه می شوند و وزن ها به وسیله الگوریتم پس انتشار، به صورت تحت نظارت تنظیم می گردند تا الگوی مناسب بوجود آید. برای الگوی
ورودی p ام، مربع خطای خروجی برای تمامی سلول های لایه خروجی شبکه به صورت زیر در می آید:

فایل : 10 صفحه

فرمت : Word