تحلیل و شبیه‌سازی روش‌های پیشرفته یادگیری ماشین و شبکه‌های عصبی عمیق برای شناسایی و تشخیص آریتمی PSVT:مرور تکنیک‌های نوین استخراج ویژگی و طبقه‌بندی

چکیده

تاکی‌کاردی فوق بطنی حمله‌ای (PSVT) یک آریتمی شایع و بالقوه تهدیدکننده در سیستم قلبی است که به‌طور ناگهانی آغاز و خاتمه می‌یابد. تشخیص دقیق و به‌موقع این آریتمی برای پیشگیری از عوارض جدی ضروری است. در سال‌های اخیر، روش‌های یادگیری ماشین و شبکه‌های عصبی عمیق به‌عنوان ابزارهای پیشرفته برای تحلیل سیگنال‌های الکتروکاردیوگرام (ECG) به کار گرفته شده‌اند که امکان شناسایی غیرتهاجمی و خودکار PSVT را فراهم می‌آورند. این مقاله به مرور تکنیک‌های استخراج ویژگی و الگوریتم‌های طبقه‌بندی در تشخیص PSVT می‌پردازد. ابتدا روش‌های استخراج ویژگی شامل ویژگی‌های زمانی، فرکانسی و تحلیل‌های غیرخطی بررسی می‌شوند. ویژگی‌های زمانی شامل تحلیل شاخص‌های آماری مانند میانگین و انحراف معیار، در حالی که ویژگی‌های فرکانسی مبتنی بر تبدیل فوریه و ویولت هستند. همچنین، تحلیل‌های غیرخطی مانند DFA و RQA به شناسایی الگوهای پیچیده در سیگنال‌های ECG کمک می‌کنند. در بخش الگوریتم‌های طبقه‌بندی، مدل‌های سنتی مانند ماشین بردار پشتیبان (SVM)، نزدیک‌ترین همسایه (KNN) و جنگل تصادفی (RF) بررسی شده‌اند. علاوه بر این، کاربرد شبکه‌های عصبی پیچشی (CNN) و بازگشتی (RNN) همراه با یادگیری انتقالی مورد بحث قرار می‌گیرد. مطالعات نشان می‌دهند که ترکیب ویژگی‌های زمانی و فرکانسی با CNN می‌تواند دقت تشخیص را بهبود بخشد.