Wyniki wyszukiwania - BazTech

Ograniczanie wyników

1 Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska

1 2024

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Sortuj według:

Ogranicz wyniki do:

Iot based ECG: hybrid cnn-bilstm approach for myocardial infarction classification

Makhir Abdelmalek, Alaoui My Hachem El Yousfi, Bellarbi Larbi, Jilbab Abdelilah

Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska

2024

T. 14, nr 3

76--80

Cardiovascular disease such as ischemic heart disease and stroke are the most dangerous diseases in the WHO stats. Myocardial Infarction (MI), an ischemic disease of the heart, occurs due to a sudden blockage in the coronary arteries that supply blood to the heart causing a lack of oxygen and nutrients. The MI patient needs continuous monitoring using electrocardiography, the latter is always at risk of developing complications such as arrhythmias. As a solution, we proposed an internet of things (IoT) based ECG system for monitoring, the application layer was reserved for the detection of MI and arrhythmias using artificial intelligence so that the patients can keep being monitored even outside health facilities. For this purpose, this paper proposed a hybrid Convolutional Neural Network (CNN) – Bidirectional Long Short-Term Memory (BiLSTM) approach to classify ECG signals and evaluates its performance by using raw and preprocessed data, and comparing the results to related studies. Two datasets have been used in this classification. The results were promising, the model has scored 99.00% accuracy on raw data classifying 4 classes, and 99.73% accuracy on a larger preprocessed data for 3 classes classification. The proposed model is suitable to serve in our monitoring task.

Choroby układu krążenia, takie jak choroba niedokrwienna serca i udar mózgu, to najniebezpieczniejsze choroby według statystyk WHO. Zawał mięśnia sercowego (MI), choroba niedokrwienna serca, występuje w wyniku nagłego zablokowania tętnic wieńcowych dostarczających krew do serca, powodując brak tlenu i składników odżywczych. Pacjent po zawale serca wymaga ciągłego monitorowania za pomocą elektrokardiografii, gdyż zawsze istnieje ryzyko wystąpienia powikłań w postaci arytmii. Jako rozwiązanie zaproponowano system monitorowania EKG oparty na Internecie rzeczy (IoT), którego warstwa aplikacyjna została zarezerwowana do wykrywania zawału serca i arytmii z wykorzystaniem sztucznej inteligencji, dzięki czemu pacjenci mogą być monitorowani nawet poza placówkami służby zdrowia. W tym celu w artykule zaproponowano hybrydowe podejście oparte na konwolucyjnej sieci neuronowej (CNN) i dwukierunkowej długiej pamięci krótkotrwałej (BiLSTM) do klasyfikacji sygnałów EKG i oceny ich działania przy użyciu surowych i wstępnie przetworzonych danych oraz porównaniu wyników z powiązanymi badaniami. W tej klasyfikacji wykorzystano dwa zbiory danych. Wyniki były obiecujące, model uzyskał 99,00% dokładności w przypadku surowych danych klasyfikujących 4 klasy i 99,73% dokładności w przypadku większych, wstępnie przetworzonych danych w przypadku klasyfikacji 3 klasy. Zaproponowany model nadaje się do realizacji postawionego zadania monitorowania.