پردازش سيگنال الكتروكارديوگرام با هوش لبه

Edge Intelligence-Enabled Electrocardiography Signal Processing

مدل هاي يادگيري عميق ساخته‌شده با سيگنال هاي 12 ليد الكتروكارديوگرام روش هاي پيش رو در زمينه تشخيص خودكار بي نظمي به وسيله سيستم هاي هوشمند پزشكي هستند؛ اما اين مدل ها به دليل حجم انبوه پارامترهاي آن ها داراي پيچيدگي محاسباتي بالايي هستند. لذا اين مدل ها براي استفاده واقعي مناسب نبوده و كاربرد آن ها براي استفاده در دستگاه هاي با منابع محاسباتي كم در فناوري نوظهوري مانند اينترنت اشياء پزشكي (Internet of Medical Things) نيز محدود است. در اين مقاله، با به كارگيري رهيافت يادگيري سبك‌وزن، روشي ارائه شده تا طبقه بندي بي نظمي در سيگنال هاي 12 ليد الكتروكارديوگرام بر روي دستگاه لبه قابل انجام باشد. در روش پيشنهادي يك مدل شبكه هاي عصبي كانولوشني با 28 لايه ساخته شده است. سپس با به كارگيري بستر TensorFlow Lite مدل سبك وزني از آن استخراج شده است. در ادامه اين مدل بر روي دستگاه اندرويدي به‌عنوان دستگاه لبه پياده سازي شده است. ارزيابي ها نشان مي دهد كه مدل طبقه بندي پيشنهادي براي طبقه بندي 7 نوع بي نظمي در نمونه هاي مجموعه داده ChapmanECG با 10646 بيمار داراي صحت معادل با 84/50% است. نهايتاً مقايسات انجام‌شده عملكرد رقابتي مدل پيشنهادي را با روش هاي ديگر مبتني بر مدل هاي استاندارد يادگيري عميق نشان مي دهد.