زمینهوهدف: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. روشبررسی: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.
