دانشگاه علوم پزشکی جندی شاپور اهواز مجله علمی پزشکی جندی شاپور 2252-052X 24 6 2026 01 21 A Multimodal Convolutional Neural Networks (CNN) Approach for Prediction of Sudden Cardiac Death Versus Congestive Heart Failure رویکرد چندوجهی شبکه‌های عصبی پیچشی برای پیش‌بینی مرگ ناگهانی قلبی و تمایز از نارسایی قلبی 519 533 237117 10.22118/jsmj.2025.515064.3885 FA سارا تواضع گروه مهندسی پزشکی، دانشکده مهندسی برق و کامپیوتر، دانشگاه صنعتی نوشیروانی بابل، بابل، ایران. فریده ابراهیمی خاله سری استادیار گروه مهندسی پزشکی، دانشکده مهندسی برق و کامپیوتر، دانشگاه صنعتی نوشیروانی بابل، بابل، ایران. 0000-0002-7971-9282 Journal Article 2025 05 01 Background and Objectives Sudden cardiac death (SCD) remains one of the leading causes of mortality worldwide. The purpose of this study is to predict SCD early and to distinguish it from congestive heart failure (CHF), which presents with similar electrocardiographic patterns. Subjects and Methods In this study, shallow and fully automated models based on convolutional neural networks (CNNs) are presented to predict SCD. In these models the electrocardiogram (ECG) signal is given as input to the model, and classification is performed at the output of the model. Results The first model, which is based on one-dimensional CNNs, could predict SCD with an accuracy of 96%. In the next step, by adding data related to CHF, an accuracy of 97.85 was obtained in the three-class classification (normal, before SCD, and CHF). In the second model, which is based on two-dimensional CNNs, first, each part of the ECG signals was converted into two-dimensional images using continuous wavelet transform (CWT) and given as input to the model. This model was able to predict SCD with 99% accuracy. Conclusion The proposed fully automated CNN-based models demonstrated high predictive accuracy for SCD within one hour before its occurrence. 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 CNNهای یک‌بعدی بود، توانست SCD را با دقت 96 درصد پیش‌بینی کند. در مرحله بعد، با اضافه‌کردن داده‌های مربوط به CHF، دقت 85/97 درصد در طبقه‌بندی سه‌کلاسه (عادی، قبل از مرگ ناگهانی قلبی و نارسایی قلبی) به دست آمد. در مدل دوم، که مبتنی‌بر CNNهای 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. نتیجه‌گیری: مدل‌های کاملاً خودکار مبتنی‌بر CNN پیشنهادی، دقت پیش‌بینی بالایی را برای SCD، در عرض یک ساعت قبل از وقوع آن، نشان دادند.

https://jsmj.ajums.ac.ir/article_237117_5d53c939d17fdd9dd9fe792776f3421e.pdf