بهناز فرامرزی - گروه مهندسی پزشکی، دانشکده فنی مهندسی، واحد کازرون، دانشگاه آزاد اسلامی، کازرون، ایران
محمدحسین فاتحی دیندارلو - گروه مهندسی پزشکی، دانشکده فنی مهندسی، واحد کازرون، دانشگاه آزاد اسلامی، کازرون، ایران
جاسم جمالی - گروه مهندسی پزشکی، دانشکده فنی مهندسی، واحد کازرون، دانشگاه آزاد اسلامی، کازرون، ایران

دیابت یک بیماری متابولیک است که افراد زیادی را در سراسر جهان تحت تاثیر قرار می دهد. میزان بروز آن هر سال به طرز نگران کننده ای افزایش می یابد. در صورت عدم درمان، عوارض مرتبط با دیابت در بسیاری از اندام های حیاتی بدن ممکن است کشنده شود. تشخیص زودهنگام دیابت برای درمان به موقع بسیار مهم است که میتواند از پیشرفت بیماری به چنین عوارضی جلوگیری کند. سیگنالهای ECG۱میتوانند به طور موثر برای تشخیص غیرتهاجمی دیابت استفاده شوند. این مقاله روشی را برای طبقه بندی افراد دیابتی و عادی با استفاده از معماریهای یادگیری عمیق ارائه میکند. ما از شبکه عصبی کانولوشنال ۲(CNN) برای استخراج ویژگی های سیگنال ECG استفاده میکنیم. این ویژگیها برای طبقه بندی به ماشین بردار پشتیبان (SVM)۳ منتقل می شوند. سیستم طبقه بندی پیشنهادی میتواند به پزشکان کمک کند تا دیابت را با استفاده از سیگنال های ECG با دقت بسیار بالای ۹۸.۵٪ تشخیص دهند.

سیگنال ECG ، بیماری دیابت ، .SVM