مقاله ترجمه شده رویکرد شبکه های عصبی کانولوشن یک بعدی برای تجزیه و تحلیل آریتمی  ECG در محیط های مه-ابر

سال نشر: ۲۰۲۱

نوع نگارش مقاله: علمی پژوهشی (Research articles)

تعداد صفحه انگلیسی:  ۱۱ صفحه PDF

تعداد صفحه ترجمه فارسی:  ۲۷  صفحه WORD

(دانلود رایگان مقاله انگلیسی)

کد محصول: CM61

نام ناشر (پایگاه داده): IEEE

نام مجله:   IEEE Access

عنوان کامل فارسی:

مقاله انگلیسی ترجمه شده ۲۰۲۱ :  رویکرد شبکه های عصبی کانولوشن یک بعدی برای تجزیه و تحلیل آریتمی  ECG در محیط های مه-ابر

عنوان کامل انگلیسی:

One-Dimensional CNN Approach for ECG Arrhythmia Analysis in Fog-Cloud Environments

چکیده فارسی:

بیماری های قلبی عروقی به عنوان عامل شماره یک مرگ و میر در سراسر جهان در نظر گرفته می شوند که عمدتا با ریتم غیر طبیعی قلب بیماران قابل شناسایی می باشند. دستگاه های پوشیدنی اینترنت اشیا (IoT) با تولید سیگنال های الکتروکاردیوگرام  (ECG)، می توانند به طور مداوم ریتم قلب بیمار را ردیابی کنند. اگرچه روش‌های مبتنی بر ابر برای آنالیز ECG می‌توانند به سطوحی از دقت دست یابند، اما همچنان محدودیت‌هایی مانند تأخیر بالا دارند. برعکس، زیرساخت محاسباتی مه قدرتمندتر از دستگاه‌های لبه‌ای است، اما نسبت به رایانش ابری برای اجرای نرم افزار تجزیه و تحلیل داده های فشرده ترکیبی،توان کمتری دارد. زیرساخت مه می‌تواند شامل درگاه های مبتنی بر مه باشد که مستقیماً به دستگاه‌های پوشیدنی متصل می‌شوند تا بسیاری از مزایای پیشرفته از جمله تأخیر کم و کیفیت بالای خدمات را ارائه دهند. برای بررسی این مسائل، یک رویکرد شبکه عصبی کانولوشن یک بعدی مدولار (۱D-CNN) در این مطالعه پیشنهاد شده است. ماژول استنتاجی این رویکرد پیشنهادی بر روی زیرساخت مه به منظور تجزیه و تحلیل سیگنال‌های ECG و شروع اقدامات متقابل اضطراری در حداقل تاخیر قابل اجرا است، در حالی که ماژول آموزشی آن در مراکز داده محاسبات ابری قدرتمنتد قابل اجرا است. رویکرد پیشنهادی به امتیاز F1-measure ~1 در پایگاه داده آریتمی MIT-BIH هنگام استفاده از الگوریتم جستجوی شبکه با روش اعتبارسنجی متقابل می رسد. این رویکرد همچنین بر روی یک رایانه تک‌برد و زیرساخت‌های ترکیبی مه-ابر مبتنی بر Google Colab پیاده‌سازی شده است و در یک سیستم نظارت از راه دور بیمار که ۲۵ درصد پیشرفت را از نظر  زمان پاسخ کلی نشان می دهد، گنجانده شده است.

اصطلاحات شاخص: اینترنت اشیا، تجزیه و تحلیل ECG، ۱D-CNN، محاسبات مه، مه-ابر ترکیبی، بیماری قلبی

Abstract

Cardiovascular diseases are considered the number one cause of death across the globe which can be primarily identied by the abnormal heart rhythms of the patients. By generating electrocardiogram (ECG) signals, wearable Internet of Things (IoT) devices can consistently track the patient’s heart rhythms. Although Cloud-based approaches for ECG analysis can achieve some levels of accuracy, they still have some limitations, such as high latency. Conversely, the Fog computing infrastructure is more powerful than edge devices but less capable than Cloud computing for executing compositionally intensive data analytic software. The Fog infrastructure can consist of Fog-based gateways directly connected with the wearable devices to offer many advanced benets, including low latency and high quality of services. To address these issues, a modular one-dimensional convolution neural network (1D-CNN) approach is proposed in this work. The inference module of the proposed approach is deployable over the Fog infrastructure for analysing the ECG signals and initiating the emergency countermeasures within a minimum delay, whereas its training module is executable on the computationally enriched Cloud data centers. The proposed approach achieves the F1-measure score 1 on the MIT-BIH Arrhythmia database when applying GridSearch algorithm with the cross-validation method. This approach has also been implemented on a single-board computer and Google Colab-based hybrid Fog-Cloud infrastructure and embodied to a remote patient monitoring system that shows 25% improvement in the overall response time.

INDEX TERMS: Internet of Things, ECG analysis, 1D-CNN, fog computing, hybrid fog-cloud, heart disease.