دوره 12، شماره 3 - ( 9-1404 )
جلد 12 شماره 3 صفحات 249-236 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Kiadeh A A, Motamed S. Predicting Cardiovascular Diseases from EEG Signals Using YOLO Network Composition and XGBoost Algorithm. jhbmi 2025; 12 (3) :236-249
URL: http://jhbmi.ir/article-1-929-fa.html
URL: http://jhbmi.ir/article-1-929-fa.html
اصغری کیاده علیرضا، معتمد سارا. پیش بینی بیماری های قلبی-عروقی از روی سیگنال های EEG با استفاده از ترکیب شبکه YOLO و الگوریتم XGBoost. مجله انفورماتیک سلامت و زیست پزشکی. 1404; 12 (3) :236-249
استادیار، گروه کامپیوتر، واحد فومن و شفت، دانشگاه آزاد اسلامی، فومن، ایران
چکیده: (15 مشاهده)
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.
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.
فایل صوتی [M4A 2855 KB] (2 دریافت)
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
