ECGNET: تعلم أين يجب التركيز للكشف عن الرجفان الأذيني باستخدام الانتباه البصري العميق

تعتبر التعقيدات المرتبطة بنمط الرجفان الأذيني (AF) والضوضاء العالية التي تؤثر على هذه الأنماط من العوامل التي حددت بشكل كبير نتائج الكشف الدقيق عن الرجفان الأذيني باستخدام التقنيات الحالية لمعالجة الإشارات والتعلم الآلي السطحي. أظهرت الشبكات العصبية العميقة قدرتها على التعلم الفعال للأنماط غير الخطية في البيانات. بينما تحاول طريقة التعلم العميق التعلم لأنماط معقدة مرتبطة بوجود الرجفان الأذيني في تسجيل كهربية القلب (ECG)، يمكنها الاستفادة من معرفة أي أجزاء من الإشارة هي الأكثر أهمية للتركيز عليها أثناء عملية التعلم. في هذا البحث، نقدم شبكة عصبية عميقة ذات قناة مزدوجة للكشف عن الرجفان الأذيني بشكل أكثر دقة في إشارة ECG. القناة الأولى تستقبل إشارة ECG المعالجة مسبقًا وتتعلم تلقائيًا أين يجب التركيز للكشف عن الرجفان الأذيني. القناة الثانية تستقبل في الوقت نفسه إشارة ECG المعالجة مسبقًا لاعتبار جميع خصائص الإشارة بالكامل. يوضح النموذج عبر التصور أي أجزاء من الإشارة المقدمة لتسجيل كهربية القلب هي الأكثر أهمية للتركيز عليها أثناء محاولة الكشف عن الرجفان الأذيني. بالإضافة إلى ذلك، فإن هذه المزيج يحسن بشكل كبير أداء الكشف عن الرجفان الأذيني (حقق حساسية بنسبة 99.53٪، ودقة بنسبة 99.26٪، وصحة بنسبة 99.40٪ على قاعدة بيانات الرجفان الأذيني MIT-BIH باستخدام مقاطع ECG مدتها 5 ثوانٍ).