ترجمه سیستم نظارتی یکپارچه ECG  با استفاده از  رادار IR-UWB بر اساس CNN

توضیحات

 عنوان فارسی: سیستم نظارتی یکپارچه ECG  با استفاده از  رادار IR-UWB بر اساس CNN

عنوان انگلیسی مقاله ترجمه شده:

ECG Monitoring System Integrated With IR-UWB Radar Based on CNN

 

 

سیستم نظارتی یکپارچه ECG  با استفاده از  رادار IR-UWB بر اساس CNN

 

Wen F Eng yin1، X IU Z hu yang1، Lin Zhang1 (عضو IEEE)، و EI J i OK i2 (همکار IEEE)

1 پکن دانشگاه پست و مخابرات، پکن 100876، چین

2 دانشگاه الکترو ارتباطات، توکیو 1885-8585، ژاپن

نویسنده مسئول: وین یین (ywf2014@bupt.edu.cn)

این کار بخشی از سوی بنیاد ملی علوم چین تحت گرانت 61601046، بخشی از اتحادیه FP7IRSES موبایل

پروژه ابر تحت نام Grant 612212، بخشی از پروژه 111 تحت Grant B08004.

 

 

چکیده

 تقاضا برای مراقبت از گروه هایی که در طول زمان دچار حملات قلبی می‌شوند در حال افزایش است: بنابراین بهبود سیستم های کنترل الکتروکاردیوگرام همراه (ECG) قابل توجه افراد است. محدودیت های طبقه بندی آریتمی در این سیستم ها، عدم توانایی برای مقابله با حالت حرکت و دقت کم در داده های کاربران جدید است. در این مقاله یک سیستمی که داده‌های راداری فوق بار رادیویی را که به عنوان اطلاعات اضافی برای کمک به طبقه بندی آریتمی از ضبط های ECG در حالت حرکت کوچک است را ارائه می دهد. علاوه بر این، این سیستم پیشنهادی با استفاده از یک شبکه عصبی پیچیده برای رسیدن به یک تجزیه و تحلیل یکپارچه از ضبط ECG و داده های رادار ارائه می‌دهد. این آزمایش ها در سکوهای مخصوی اجرا می شود و نتیجه در حالت حرکت کوچک به ۸۹/۸۸٪ می رسد. به نظر می رسد که این سیستم پیشنهادی، دقت پایداری را در طبقه بندی ضربان قلب طبیعی و غیر طبیعی در حالت حرکت کم نگه می دارد.

اصطلاحات نمایه: الکتروکاردیوگرافی، رادار فوق باریک، شبکه های عصبی

 

 

 

 

 

 

 

 

مقدمه

بیماری قلبی عامل اصلی مرگ در بیماری های مزمن است. شیوع بالای بیماری قلبی در میان افراد مسن و سالمند است. همانطور که جمعیت رشد می کند، محافظت از گروه های مسن از حملات قلبی بسیار مهم است. شروع ناگهانی حملات قلبی مشکلات دشواری را تشدید می کند.

 سیستم الکتروکاردیوگرام پویا (ECG) یک ابزار موثر برای جلوگیری از بیماری های قلبی است. این سیستم نظارت، مدت زمان طولانی فعالیت قلب در ECG را دنبال می کند و بنابراین می تواند آریتمی های جانبی و بیماری های ناگهانی قلبی را جذب کند. علاوه بر این سیستم نظارت، با افزایش استفاده از اینترنت اشیائی (IoT)، تقاضای روزافزون برای مراقبت های بهداشتی زیاد می‌شود.

در ساختمان IoT، سیستم مانیتورینگ ECG سنتی [۷] شامل لایه حسگر، لایه شبکه و لایه کاربردی می شود. در لایه حسگر، دستگاه های پزشکی پوشیدنی متنوع با تکنولوژی ارتباطات داده های بی سیم برای تشکیل یک شبکه حسگر بی سیم [۱۸] متصل می شوند. لایه کاربردی با استفاده از الگوریتم های مختلف، به عنوان یک تحلیلگر برای تشخیص آریتمی ها عمل می کند.

 روشهای سنتی موجود برای طبقه بندی آریتمیاس در ECG عبارتند از تبدیل موجک [۱۵]، تحلیل فرکانس [۱۹]، ماشینهای بردار پشتیبانی [۱۶] و روش متقابل متخصصان[۱۷].

 به طور خاص، روش تبدیل موجک در انحلال ECG توسط تنظیم آستانه های خاص به لایه سوم تجزیه موجک استفاده می شود. با توجه به همبستگی بین اوج تجزیه موجک و پیک موج R در ضبط های ECG، روش تبدیل موجک نیز باعث سهولت در یافتن موج R می شود.

 در یک کلمه، این الگوریتم های سنتی به ویژگی های خاص استخراج شده از شکل موج ECG بستگی دارد. علاوه بر این آنها محدود به آستانه های خاص هستند که معمولا در مجموعه داده های مختلف متفاوت است. بنابراین عملکرد این رویکردها نه تنها به دخالت صدا، بلکه در مجموعه داده های جدید نیز کاهش می یابد.

به طوری که به صورت دقیق طبقه بندی ضبط های ECG بیماران جدید، روش های مبتنی بر شبکه های عصبی (NN) اعمال می شود.

 در این روش NN ها به عنوان یک عامل مشترک برای آریتمی [۱]، [۲]، آشکارساز برای تشخیص ضربان قلب [۳]، و یا استخراج برای ویژگی های پیش طراحی نشده از قبل [۴] خدمت می کنند.

با توجه به این توانایی که به طور خودکار ویژگی هایی از ضبط های ECG را به دست می آوریم، روش های مبتنی بر NN ها در یک راه حل ترکیبی موبایل-ابر [۵] برای نظارت بر ECG اعمال می شود. در چنین راه حل های ترکیبی موبایل-ابر، NN ها به طور دوره ای از ویژگی های جدیدی از ضبط های ECG کاربران در ابر بهره می برند تا NN ها بتوانند به کاربران خاصی تعلق داشته باشند.

NN هایی که برای کاربردهای ویژه آموزش داده می شوند تفاوت های فردی را در نظر گرفته و به طوری که دقت حاشیه نویسی ECG را به طور چشمگیری افزایش می دهند. تاکنون تلاش های زیادی در ارائه روش های بیماری ویژه برای طبقه بندی آریتمی در سیستم های الکتروکاردیوگرام پویا انجام شده است. [۲۰]

 شبکه عصبی کانولوشن (CNN) برای داده های یک بعدی و همچنین اطلاعات دو بعدی مفید است. تحقیق در زمینه استفاده از CNN به ECG [۴] اعتبار CNN ها را در استفاده از سیگنال های یک بعدی نشان می دهد اما CNN نیز قادر به انطباق با قطعنامه های مختلف است. یکی دیگر از روش ها [۱۳] برای استفاده از CNN ها در ضبط های ECG با ترکیب هشت منجر از ضبط ECG به یک ماتریس دو بعدی است. این روش یک CNN به نام LCNN (شبکه عصبی کانولوشن) را به ارمغان می آورد. در LCNN، محدوده کشویی هسته کانولوشه محدود به نظر می رسد که یکی از آنها نمی تواند منحصربفرد از ضبط های ECG به اشتراک گذاشته شود. با این تنظیم، این روش باعث می شود تا دقت طبقه بندی ECG به میزان قابل توجهی افزایش یابد.

 با این وجود کاربرد این روش توسط نیازهای ورودی چند سرب محدود شده است. دلیل آن که سیستم نظارت بر ECG میزان مرگ و میر بیماران قلبی سالخورده را کاهش می دهد، در توانایی خود است که به طور دائم سیگنال های ECG را برای مدت زمان طولانی ضبط می کند.

توجه:

• برای دانلود فایل word کامل ترجمه از گزینه افزودن به سبد خرید بالا استفاده فرمایید.
• لینک دانلود فایل بلافاصله پس از خرید بصورت اتوماتیک برای شما ایمیل می گردد.

سفارش ترجمه مقاله

به منظور سفارش ترجمه تخصصی مقالات خود بر روی کلید زیر کلیک نمایید.

سفارش ترجمه تخصصی