fa به کارگیری فیلتر وفقی برای حذف نویز از سیگنال‌های ECG با استفاده از تبدیل موجک و یادگیری عمیق هوش مصنوعی در حوزه سلامت Artificial Intelligence in Healthcare پژوهشي اصیل Original Article <div style="text-align: justify;"><span style="font-family:Tahoma;"><span style="color:#000000;"><strong>مقدمه:</strong> الکتروکاردیاگرام یکی از روش‌های اندازه‌گیری فعالیت‌های الکتریکی قلب است که این اندازه‌گیری با قرار دادن الکترودهایی روی سطح بدن اندازه‌گیری می‌شود. پزشکان برای تشخیص و شناسایی بیماری‌های قلبی از ابزار مشاهده استفاده می‌کنند که این کار در سیگنال‌های <span dir="LTR"><span style="font-size:11.0pt;">ECG</span></span> توسط متخصص قلب و عروق انجام می‌شود. به طور خاص بیماری‌های قلبی با بررسی نمایش گرافیکی سیگنال‌های قلبی که با عنوان <span dir="LTR"><span style="font-size:11.0pt;">ECG</span></span> معرفی شد، انجام می‌شود. سیگنال‌های <span dir="LTR"><span style="font-size:11.0pt;">ECG</span></span> به دلیل منابع خارجی یا سایر فرآیند‌های فیزیولوژیکی بدن انسان با نویز همراه می‌باشد.<span dir="LTR"><span style="color:black;"></span></span><br> <strong>روش:</strong> در این پژوهش کاربردی یک فیلتر وفقی بر اساس تبدیل موجک و شبکه عصبی عمیق برای کاهش نویز پیشنهاد شد. این مجموعه ترکیبی از تبدیل ویولت، یادگیری وفقی و نگاشت غیر‌خطی از شبکه‌های عصبی عمیق است. شبکه عصبی عمیق به کمک فیلتر وفقی برای کاهش نویز بیشتر از سیگنال <span dir="LTR"><span style="font-size:11.0pt;">ECG</span></span> مورد استفاده قرار می‌گیرد.<span style="font-family:B Mitra;"></span><br> <strong>نتایج</strong><strong>:</strong> معیار مورد نظر برای ارزیابی کیفیت روش پیشنهادی به منظور حذف نویز، نسبت سیگنال به نویز می‌باشد که هدف این پژوهش افزایش این نسبت می‌باشد که بیانگر بازدهی روش مبتنی بر تبدیل موجک و یادگیری عمیق می‌باشد.<span dir="LTR"></span><br> <strong>نتیجه &shy;گیری:</strong> نتایج حاصل از شبیه‌سازی نشان می‌دهد که روش پیشنهادی نسبت به روش‌های موجود حدود 9/56 درصد حذف نویز از سیگنال <span dir="LTR"><span style="font-size:11.0pt;">ECG</span></span> را بهبود می‌بخشد. علت این امر آن است که ضرایب استخراجی از فیلتر وفقی با استفاده از شبکه عصبی عمیق بهینه می‌شوند به گونه‌ای که شکل موج با نویز کمتری را فراهم می‌آورد.</span></span><span dir="LTR"></span></div> <div style="text-align: justify;"><span style="color:#000000;"><span style="font-family:Tahoma;"><strong>Introduction:</strong> Electrocardiogram (ECG) is a method to measure the electrical activity of the heart which is performed by placing electrodes on the surface of the body. Physicians use observation tools to detect and diagnose heart diseases, the same is performed on ECG signals by cardiologists. In particular, heart diseases are recognized by examining the graphic representation of heart signals which is known as ECG. The ECG signals are accompanied by noise due to external sources or other physiological processes in the human body.<br> <strong>Method:</strong> In this applied research, an adaptive filter based on wavelet transform and deep neural network was proposed to reduce the noise. The proposed method was a combination of wavelet transform, adaptive learning, and nonlinear mapping of deep neural networks. Deep neural network was used with an adaptive filter to reduce more noise in the ECG signal.<br> <strong>Results:</strong> Signal-to-Noise ratio (SNR) was used as a criterion to evaluate the quality of the proposed method to remove noise. In fact, the objective of this research was to increase this ratio which indicates higher efficiency of the method based on wavelet transform and deep learning.<br> <strong>Conclusion</strong>: The results of the simulation showed that the proposed method improved the removal of noise from the ECG signal about 9.56% compared to existing methods. The reason is that the coefficients extracted from adaptive filter were optimized using deep neural network so that it provided a low-noise waveform.</span></span></div> سیگنال ECG, تبدیل موجک, یادگیری عمیق ECG Signal, Wavelet Transform, Deep Learning 318 325 http://jhbmi.ir/browse.php?a_code=A-10-372-4&slc_lang=fa&sid=1 Saber Fooladi صابر فولادی saber.fooladi@birjand.ac.ir 10031947532846005912 10031947532846005912 No Ph.D. Student in Electrical Engineering-Telecommunications, Electrical Engineering-Telecommunications Dept., Faculty of Electrical Engineering and Computer, Shokatabad Campus, University of Birjand, Birjand, Iran دانشجوی دکتری مهندسی برق مخابرات، گروه مهندسی برق مخابرات ، دانشکده مهندسی برق و کامپیوتر ، پردیس شوکت آباد، دانشگاه بیرجند، بیرجند، ایران Hassan Farsi حسن فرسی hfarsi@birjand.ac.ir 10031947532846005913 10031947532846005913 Yes Ph.D. in Electrical Engineering-Telecommunications, Professor, Electrical Engineering-Telecommunications Dept., Faculty of Electrical Engineering and Computer, Shokatabad Campus, University of Birjand, Birjand, Iran دکترای تخصصی مهندسی برق مخابرات، استاد تمام، گروه مهندسی برق مخابرات ، دانشکده مهندسی برق و کامپیوتر ، پردیس شوکت آباد، دانشگاه بیرجند، بیرجند، ایران Farima Farsi فریما فرسی farima.farsi1999@yahoo.com 10031947532846005914 10031947532846005914 No Medical Doctoral Student, Faculty of Medicine, Mashhad University of Medical Sciences, Mashhad, Iran دانشجوی پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی مشهد، مشهد، ایران