گروه مهندسی پزشکی، دانشکده مهندسی برق و کامپیوتر، دانشگاه صنعتی نوشیروانی بابل، بابل، ایران.
10.22118/jsmj.2025.515064.3885
چکیده
هدف: مرگ ناگهانی قلبی (SCD) همچنان یکی از علل اصلی مرگ و میر 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 تحقیق: در این مطالعه، مدلهای کمعمق و کاملاً خودکار مبتنی بر شبکههای عصبی کانولوشن (CNN) برای پیشبینی SCD ارائه شده است، به طوری که سیگنال الکتروکاردیوگرام (ECG) به عنوان ورودی به مدل داده شده و طبقهبندی در انتهای مدل انجام شده است. نتایج: مدل اول که مبتنی بر CNNهای یک بعدی بود، توانست SCD را با دقت 96٪ پیشبینی کند. در مرحله بعد، با اضافه کردن دادههای مربوط به CHF، دقت 97.85٪ در طبقهبندی سه کلاسه (عادی، قبل از مرگ ناگهانی قلبی و نارسایی قلبی) به دست آمد. در مدل دوم که مبتنی بر CNNهای دو بعدی بود، ابتدا هر بخش از سیگنالهای ECG با استفاده از تبدیل موجک پیوسته (CWT) به تصاویر دو بعدی تبدیل و به عنوان ورودی به مدل داده شد. این مدل توانست SCD را با دقت 99٪ پیشبینی کند. نتیجهگیری: مدلهای کاملاً خودکار مبتنی بر CNN پیشنهادی، دقت پیشبینی بالایی را برای SCD در عرض یک ساعت قبل از وقوع آن نشان دادند.
