دانلود مقاله تشخیص ناهنجاری در سیگنال های زمانی ECG از طریق شبکه های حافظه طولانی کوتاه مدت عمیق
تعداد کلمات فایل انگلیسی:4000 کلمه 7 صفحه pdf
تعداد صفحات فایل ترجمه:8 صفحه word فونت 14 B Nazanin
تشخیص ناهنجاری در سیگنال های زمانی ECG از طریق شبکه های حافظه طولانی کوتاه مدت عمیق
چکیده
سیگنال های الکتروکاردیوگرافی (ECG) به طور گسترده ای برای ارزیابی سلامت قلب انسان استفاده می شود و سیگنال سری زمانی حاصله توسط متخصص پزشکی به منظور تشخیص هر آریتمی که بیمار ممکن است دچار آن شده است، به صورت دستی تحلیل شود. برای خودکار سازی روند تجزیه و تحلیل سیگنال های ECG کارهای زیادی صورت گرفته است، اما بیشتر تحقیقات شامل پیش پردازش گسترده داده های ECG برای استخراج ویژگی های برداری و سپس طراحی یک طبقه بند برای تمایز بین سیگنال های ECG سالم و سیگنالهای نشان دهنده آریتمی هستند. این رویکردمستلزم آگاهی و داده های مربوط به انواع مختلف آریتمی برای آموزش است. با این حال، قلب یک عضو پیچیده است و بسیاری از انواع مختلف و همچنین آریتمی های جدید وجود دارد که ممکن است رخ دهد که بخشی از مجموعه آموزشی اصلی نیستند. بنابراين ممكن است اتخاذ یک روش تشخيص ناهنجاري در جهت تحليل سيگنالهاي ECG باید بسیار محتاطانه باشد. در این مقاله، از یک معماری شبکه عصبی مصنوعی عمیق با واحدهای حافظه طولانی کوتاه مدت (LSTM) برای ایجاد یک مدل پیش بینی شده برای سیگنال های ECG سالم استفاده می کنیم. ما بیشتر از توزیع احتمالی خطاهای پیش بینی از این مدل های بازگشتی برای نشان دادن رفتار طبیعی یا غیر طبیعی استفاده می کنیم. مزیت اضافه شده در استفاده از شبکه های LSTM این است که سیگنال ECG را می توان به طور مستقیم به شبکه بدون هیچگونه پیش پردازش دقیق که در وسیله تکنیک های دیگر مورد نیاز است، تغذیه کرد. همچنين هيچ اطلاعاتي قبلی در مورد سيگنالهاي غيرعادي در شبكه مورد نیاز نیست، زيرا آنها فقط برای دادههاي نرمال آموزش ديده اند. ما از پایگاه داده آریتمی MIT-BIH برای به دست آوردن داده های سری زمانی ECG برای دوره های نرمال و برای دوره های مختلف در چهار نوع مختلف از آریتمی ها، از جمله ا انقباض زودهنگام بطنی (PVC)، انقباض زودهنگام دﻫﻠﯿﺰي (APC)،ﺿﺮﺑﺎن آهسته (PB) و ریتم های بطنی (VC) استفاده کرده ایم. نتایج امیدوار کننده است و نشان می دهد که مدل های عمیق LSTM ممکن است برای تشخیص ناهنجاری ها در سیگنال های ECG مناسب باشند
Anomaly Detection in ECG Time signals via Deep Long Short-Term Memory Networks
Abstract—Electrocardiography (ECG) signals are widely used to gauge the health of the human heart, and the resulting time series signal is often analyzed manually by a medical professional to detect any arrhythmia that the patient may have suffered. Much work has been done to automate the process of analyzing ECG signals, but most of the research involves extensive preprocessing of the ECG data to derive vectorized features and subsequently designing a classifier to discriminate between healthy ECG signals and those indicative of an Arrhythmia. This approach requires knowledge and data of the different types of Arrhythmia for training. However, the heart is a complex organ and there are many different and new types of Arrhythmia that can occur which were not part of the original training set. Thus, it may be more prudent to adopt an anomaly detection approach towards analyzing ECG signals. In this paper, we utilize a deep recurrent neural network architecture with Long Short Term Memory (LSTM) units to develop a predictive model for healthy ECG signals. We further utilize the probability distribution of the prediction errors from these recurrent models to indicate normal or abnormal behavior. An added advantage of using LSTM networks is that the ECG signal can be directly fed into the network without any elaborate preprocessing as required by other techniques. Also, no prior information about abnormal signals is needed by the networks as they were trained only on normal data. We have used the MIT-BIH Arrhythmia Database to obtain ECG time series data for both normal periods and for periods during four different types of Arrhythmias, namely Premature Ventricular Contraction (PVC), Atrial Premature Contraction (APC), Paced Beats (PB) and Ventricular Couplet (VC). Results are promising and indicate that Deep LSTM models may be viable for detecting anomalies in ECG signals
کد:1-13144
دانلود رایگان فایل انگلیسی:
رمز فایل:www.downloadmaghaleh.com
دانلود مقاله دات کام 
توضیحات محصول
دانلود مقاله تشخیص ناهنجاری در سیگنال های زمانی ECG از طریق شبکه های حافظه طولانی کوتاه مدت عمیق
تعداد کلمات فایل انگلیسی:4000 کلمه 7 صفحه pdf
تعداد صفحات فایل ترجمه:8 صفحه word فونت 14 B Nazanin
تشخیص ناهنجاری در سیگنال های زمانی ECG از طریق شبکه های حافظه طولانی کوتاه مدت عمیق
چکیده
سیگنال های الکتروکاردیوگرافی (ECG) به طور گسترده ای برای ارزیابی سلامت قلب انسان استفاده می شود و سیگنال سری زمانی حاصله توسط متخصص پزشکی به منظور تشخیص هر آریتمی که بیمار ممکن است دچار آن شده است، به صورت دستی تحلیل شود. برای خودکار سازی روند تجزیه و تحلیل سیگنال های ECG کارهای زیادی صورت گرفته است، اما بیشتر تحقیقات شامل پیش پردازش گسترده داده های ECG برای استخراج ویژگی های برداری و سپس طراحی یک طبقه بند برای تمایز بین سیگنال های ECG سالم و سیگنالهای نشان دهنده آریتمی هستند. این رویکردمستلزم آگاهی و داده های مربوط به انواع مختلف آریتمی برای آموزش است. با این حال، قلب یک عضو پیچیده است و بسیاری از انواع مختلف و همچنین آریتمی های جدید وجود دارد که ممکن است رخ دهد که بخشی از مجموعه آموزشی اصلی نیستند. بنابراين ممكن است اتخاذ یک روش تشخيص ناهنجاري در جهت تحليل سيگنالهاي ECG باید بسیار محتاطانه باشد. در این مقاله، از یک معماری شبکه عصبی مصنوعی عمیق با واحدهای حافظه طولانی کوتاه مدت (LSTM) برای ایجاد یک مدل پیش بینی شده برای سیگنال های ECG سالم استفاده می کنیم. ما بیشتر از توزیع احتمالی خطاهای پیش بینی از این مدل های بازگشتی برای نشان دادن رفتار طبیعی یا غیر طبیعی استفاده می کنیم. مزیت اضافه شده در استفاده از شبکه های LSTM این است که سیگنال ECG را می توان به طور مستقیم به شبکه بدون هیچگونه پیش پردازش دقیق که در وسیله تکنیک های دیگر مورد نیاز است، تغذیه کرد. همچنين هيچ اطلاعاتي قبلی در مورد سيگنالهاي غيرعادي در شبكه مورد نیاز نیست، زيرا آنها فقط برای دادههاي نرمال آموزش ديده اند. ما از پایگاه داده آریتمی MIT-BIH برای به دست آوردن داده های سری زمانی ECG برای دوره های نرمال و برای دوره های مختلف در چهار نوع مختلف از آریتمی ها، از جمله ا انقباض زودهنگام بطنی (PVC)، انقباض زودهنگام دﻫﻠﯿﺰي (APC)،ﺿﺮﺑﺎن آهسته (PB) و ریتم های بطنی (VC) استفاده کرده ایم. نتایج امیدوار کننده است و نشان می دهد که مدل های عمیق LSTM ممکن است برای تشخیص ناهنجاری ها در سیگنال های ECG مناسب باشند
Anomaly Detection in ECG Time signals via Deep Long Short-Term Memory Networks
Abstract—Electrocardiography (ECG) signals are widely used to gauge the health of the human heart, and the resulting time series signal is often analyzed manually by a medical professional to detect any arrhythmia that the patient may have suffered. Much work has been done to automate the process of analyzing ECG signals, but most of the research involves extensive preprocessing of the ECG data to derive vectorized features and subsequently designing a classifier to discriminate between healthy ECG signals and those indicative of an Arrhythmia. This approach requires knowledge and data of the different types of Arrhythmia for training. However, the heart is a complex organ and there are many different and new types of Arrhythmia that can occur which were not part of the original training set. Thus, it may be more prudent to adopt an anomaly detection approach towards analyzing ECG signals. In this paper, we utilize a deep recurrent neural network architecture with Long Short Term Memory (LSTM) units to develop a predictive model for healthy ECG signals. We further utilize the probability distribution of the prediction errors from these recurrent models to indicate normal or abnormal behavior. An added advantage of using LSTM networks is that the ECG signal can be directly fed into the network without any elaborate preprocessing as required by other techniques. Also, no prior information about abnormal signals is needed by the networks as they were trained only on normal data. We have used the MIT-BIH Arrhythmia Database to obtain ECG time series data for both normal periods and for periods during four different types of Arrhythmias, namely Premature Ventricular Contraction (PVC), Atrial Premature Contraction (APC), Paced Beats (PB) and Ventricular Couplet (VC). Results are promising and indicate that Deep LSTM models may be viable for detecting anomalies in ECG signals
کد:1-13144
دانلود رایگان فایل انگلیسی:
رمز فایل:www.downloadmaghaleh.com