![](/images/graphics-bg.png)
تشخيص أمراض القلب باستخدام تقنيات التعلم العميق
Other Title(s)
Diagnosing heart disease using deep learning techniques
Joint Authors
Source
مجلة جامعة دمشق للعلوم الهندسية
Issue
Vol. 38, Issue 2 (s) (30 Jun. 2022), pp.105-114, 10 p.
Publisher
Publication Date
2022-06-30
Country of Publication
Syria
No. of Pages
10
Main Subjects
Abstract AR
تعد إشارة القلب الكهربائية من أهم الإشارات الحيوية لجسم الإنسان، حيث تستطيع من خلالها الكشف عن أمراض القلب و أمراض الدورة الدموية، لذلك ظهرت دراسات و بحوث عديدة في هذا المجال تضمنت أبحاث علمية و أنظمة برمجية تم من خلالها قراءة و تحليل هذه الإشارة باستخدام تقنيات الذكاء الصناعي.
يهدف البحث المقترح إلى إنشاء «شبكة عصبية التفافية-CNN» أحادية البعد تقوم بمعالجة الإشارات القلبية التي حصلنا عليها من قاعدة البيانات «MIT-BHA» و التي تحوي على 87554 عينة من الإشارات القلبية.
تضم قاعدة البيانات 5 أصناف و هي : الإشارة الطبيعية، الانقباض الأذيني غير المنتظم، الانقباض البطيني السابق لأوانه، النبضة المدمجة و التي تنتج عن تراكب عدة أمواج في حالات وجود ناظم الخطى القلبية بالإضافة لصنف يحتوي إشارات قلبية باسم إشارات غير معروفة تمت معالجة البيانات و تدريب الشبكة العصبية عليها و التي أعطت دقة وصلت إلى 96.64% بالنسبة لبيانات التدريب و96.64% بالنسبة لبيانات الاختبار و قد بينت «Confusion Matrix» أن دقة التشخيص للحالة الأولى كانت 97% و للحالة الثانية كانت 85% و للحالة الثالثة كانت %95، للحالة الرابعة 88% وللحالة الخامسة كانت 98 %.
Abstract EN
The electrocardiogram (ECG) is one of the most important body bio-signals, through which many heart and blood circulations disorders and abnormalities can be detected.
So that, many studies in this field have been done like making systems that read and analyze ECG signals using artificial intelligence algorithms.
this project proposes a convolutional neural network that we build from scratch.
this CNN read and process ECG signals that we get from the MIT-BHA dataset.
this dataset contains about 87554 ECG samples.
samples are sorted in 5 classes, normal beats, supraventricular ectopic beats, ventricular ectopic beats, fusion beats and unknown beats.
signals were processed and used in our CNN training and testing procedure.
the confusion matrix derived from the testing dataset indicated 97% accuracy for 'normal' class.
for the "supraventricular ectopic beats" class, ECG segments were correctly classified 85% of the time.
for the "ventricular ectopic beats" class, ECG segments were correctly classified 95% of the time.
for the "fusion beats" class, ECG segments were correctly classified 88% of the time.
finally for the "Unknown Beats" class, ECG segments were correctly classified 98% of the time.
in total, there was an average classification accuracy of 96.64%.
American Psychological Association (APA)
غادة سعد وحسن عبد الرحمن. 2022. تشخيص أمراض القلب باستخدام تقنيات التعلم العميق. مجلة جامعة دمشق للعلوم الهندسية،مج. 38، ع. 2 (s)، ص ص. 105-114.
https://search.emarefa.net/detail/BIM-1513535
Modern Language Association (MLA)
غادة سعد وحسن عبد الرحمن. تشخيص أمراض القلب باستخدام تقنيات التعلم العميق. مجلة جامعة دمشق للعلوم الهندسية مج. 38، ع. 2 (عدد خاص) (2022)، ص ص. 105-114.
https://search.emarefa.net/detail/BIM-1513535
American Medical Association (AMA)
غادة سعد وحسن عبد الرحمن. تشخيص أمراض القلب باستخدام تقنيات التعلم العميق. مجلة جامعة دمشق للعلوم الهندسية. 2022. مج. 38، ع. 2 (s)، ص ص. 105-114.
https://search.emarefa.net/detail/BIM-1513535
Data Type
Journal Articles
Language
Arabic
Notes
يتضمن مراجع ببليوجرافية : ص. 114
Record ID
BIM-1513535