تشخیص هوشمند بیماری فیبریلاسیون دهلیزی مبتنی بر چند الگوریتم پرکاربرد یادگیری ماشین

در سال های اخیر بیماری های قلبی یکی از مهمترین عوامل تهدیدکننده سلامت انسان بوده اند به طوری که طبق آمار و گزارش های ارائه شده از سوی سازمان بهداشت جهانی در سال ۲۰۱۹ این بیماری ها مسبب اصلی مرگ حدود ۱۷.۹ میلیون انسان در سرتاسر جهان تخمین زده شده اند. یکی از انواع مهم ناهنجاری های قلبی آریتمی های قلبی هستند که ازجمله ی انواع خطرناک و مهم انها می توان به فیبریلاسیون دهلیزی اشاره کرد. این ناهنجاری یک عارضه مزمن بوده و در صورت عدم شناسایی و درمان به موقع می تواند خطراتی چون سکته مغزی و آلزایمر زودرس را به همراه داشته باشد. وبسایت physionet در سال ۲۰۱۷ چالشی تحت عنوان ارائه مدلی جهت شناسایی و تشخیص هوشمند این بیماری با ضریب دقت بالا و خطای پایین برگزار کرد که از بین تمامی تیم های شرکت کننده چهار تیم توانستند همزمان حائز رتبه نخست شوند( F۱score: ۰.۸۳ ). در این پژوهش چهار مدل مبتنی بر الگوریتم های یادگیری ماشین یعنی جنگل تصادفی و ماشین بردار پشتیبان و الگوریتم درخت تصمیم و الگوریتم طبقه بندی Bagging در جهت تشخیص و طبقه بندی چهار نوع کلاس موجود در دیتابیسچالش ۲۰۱۷ فیزیونت مورد مقایسه و ارزیابی قرار گرفتند. در نهایت دقت های تشخیصی به دست آمده اختصاصا برای تشخیص سیگنال های دچار فیبریلاسیون دهلیزی بدین ترتیب به دست آمد: f۱score(svm): ۰.۶۹ وf۱score(Randomforest): ۰.۸۴, f۱score(DT): ۰.۶۱, و f۱score(Bagging): ۰.۷۱ .