Journal of Health and Biomedical Informatics

fa پیش ‎بینی بیماری‎ های قلبی-عروقی از روی سیگنال‎ های EEG با استفاده از ترکیب شبکه YOLO و الگوریتم XGBoost Predicting Cardiovascular Diseases from EEG Signals Using YOLO Network Composition and XGBoost Algorithm هوش مصنوعی در حوزه سلامت Artificial Intelligence in Healthcare پژوهشي اصیل Original Article <div style="text-align: justify;">مقدمه:  بیماری‌های قلبی-عروقی همچنان از اصلی‌ترین علل مرگ‌ومیر در سراسر جهان به شمار می‌روند و تشخیص زودهنگام آن‌ها اهمیت حیاتی در کاهش عوارض و مرگ دارد. روش‌های سنتی تشخیص این بیماری‌ها غالباً متکی بر تفسیر دستی سیگنال‌های قلبی بوده که زمان‌بر و وابسته به تجربه پزشک است. پیشرفت روش‌های یادگیری عمیق و داده‌کاوی امکان تحلیل خودکار سیگنال‌های پزشکی و شناسایی الگوهای پنهان را فراهم کرده است. در این پژوهش رویکردی نوین برای شناسایی بیماری‌های قلبی بر پایه سیگنال‌های ECG ارائه می‌شود. روش کار: در این مطالعه یک مدل ترکیبی مبتنی بر یادگیری عمیق طراحی شد که از شبکه YOLO (نسخه سریع) برای استخراج ویژگی‌های میان‌سطحی سیگنال‌های ECG و از الگوریتم XGBoost به‌منظور بهبود فرآیند طبقه‌بندی استفاده می‌کند. ابتدا داده‌های مربوط به پایگاه MIT-BIH Arrhythmia استخراج و پیش‌پردازش شدند. سپس، سیگنال‌ها به شبکه YOLO داده شدند تا بردارهای ویژگی استخراج گردد. خروجی شبکه به الگوریتم XGBoost داده شد تا طبقه‌بندی نهایی با ترکیب چندین درخت تصمیم ضعیف انجام گیرد. در نهایت، مدل پیشنهادی با روش‌های متداول موجود مقایسه شد. یافته‌ها: نتایج آزمایش‌ها نشان داد شبکه YOLO توانایی استخراج ویژگی‌های کلیدی از سیگنال‌های ECG را دارد و در ترکیب با XGBoost موجب افزایش دقت کلی مدل می‌شود. مدل پیشنهادی توانست نسبت به روش‌های پایه از جمله شبکه‌های عصبی ساده و SVM عملکرد بهتری ارائه دهد. در ارزیابی بر روی پایگاه داده MIT-BIH، دقت طبقه‌بندی مدل پیشنهادی به‌طور قابل توجهی افزایش یافت و شاخص‌هایی همچون حساسیت و ویژگی نیز بهبود پیدا کردند. این نتایج نشان می‌دهد استفاده همزمان از یادگیری عمیق و الگوریتم‌های تقویتی می‌تواند یک رویکرد کارآمد در تحلیل سیگنال‌های پزشکی باشد. نتیجه‌گیری: این پژوهش نشان داد که مدل ترکیبی YOLO-XGBoost روشی دقیق و نوآورانه برای شناسایی بیماری‌های قلبی بر اساس سیگنال‌های ECG است. این روش علاوه بر افزایش دقت طبقه‌بندی، قابلیت پیاده‌سازی در سیستم‌های پشتیبان تصمیم‌گیری بالینی را دارد و می‌تواند به عنوان ابزاری کارآمد در غربالگری بیماران مورد استفاده قرار گیرد. در آینده می‌توان این مدل را با داده‌های بیشتر و متنوع‌تر اعتبارسنجی کرده و در سامانه‌های هوشمند پزشکی یکپارچه‌سازی نمود.</div> <div style="text-align: justify;">Introduction: Cardiovascular diseases continue to be one of the leading causes of mortality worldwide, making early detection crucial for reducing complications and fatalities. Traditional diagnostic methods often depend on the manual interpretation of cardiac signals, which can be time-consuming and reliant on the expertise of clinicians. However, advances in deep learning and data mining have facilitated the automated analysis of medical signals and the detection of hidden patterns. This study presents a novel approach to identifying cardiac diseases based on ECG signals. Method: In this study, we developed a hybrid deep learning model that utilizes the fast version of the YOLO network to extract mid-level features from ECG signals, combined with the XGBoost algorithm to improve classification performance. ECG signals from the MIT-BIH Arrhythmia Database were first extracted and preprocessed. These signals were then input into the YOLO network to generate feature vectors. The outputs of the network were subsequently fed into the XGBoost algorithm for final classification using an ensemble of multiple weak decision trees. Finally, we compared the proposed model with established conventional methods. Results: The results demonstrated that the YOLO network effectively extracts key features from ECG signals, and its integration with XGBoost significantly enhances overall model accuracy. The proposed model outperformed baseline methods, including simple neural networks and support vector machines (SVMs). Evaluation on the MIT-BIH Arrhythmia Database revealed substantial improvements in classification accuracy, as well as enhanced sensitivity and specificity. These findings indicate that combining deep learning with boosting algorithms provides an efficient approach for medical signal analysis. Conclusion: The YOLO-XGBoost hybrid model offers an accurate and innovative approach for detecting cardiac diseases from ECG signals. In addition to enhancing classification accuracy, this method is well-suited for implementation in clinical decision support systems and can serve as an efficient tool for patient screening. Future work could involve validating the model with larger and more diverse datasets and integrating it into intelligent medical systems.</div> بیماری قلبی, آریتمی, یادگیری عمیق, سینگال‌های قلبی, YOLO, XGBoost Heart disease, arrhythmia, deep learning, cardiac signals, YOLO, XGBoost. 236 249 http://jhbmi.ir/browse.php?a_code=A-10-1178-1&slc_lang=fa&sid=1 Alireza Asghari Kiadeh علیرضا اصغری کیاده mehrdad395.taha@gmail.com 100319475328460010879 100319475328460010879 No M.Sc. Student, Department of Computer Engineering, FSh.C., Islamic Azad University, Fouman, Iran دانشجوی ارشد، گروه کامپیوتر، واحد فومن و شفت، دانشگاه آزاد اسلامی، فومن، ایران Sara Motamed سارا معتمد motamed.sarah@gmail.com 100319475328460010880 100319475328460010880 Yes Associate Professor, Department of Computer Engineering, FSh.C., Islamic Azad University, Fouman, Iran استادیار، گروه کامپیوتر، واحد فومن و شفت، دانشگاه آزاد اسلامی، فومن، ایران