در دهه‌های گذشته، تشخیص آریتمی خودکار از الکتروکاردیوگرام ( ECG)به طور گسترده مورد بررسی قرار گرفته است. ساخت و ساز و پالایش مداوم بانک های اطلاعاتی الکتروکاردیوگرام با منبع باز، مانند پایگاه داده آریتمی موسسه فناوری ماساچوست (MIT-BIH) و یا پایگاه داده سیگنال گفتار(SLPDB) ، تحلیل سطح ضربان قلب از الکتروکاردیوگرام قابل دسترسی شد. روش های زیادی برای تبعیض بین ضربان قلب در پنج کلاس شامل ضربان خارج رحمی معمولی، فوق مغزی (SVEB) ، ضربان خارج رحمی بطنی (VEB) ، ضربان فیوژن و ضربان ناشناخته، مشخص شده با استاندارد AAMI ارائه شده است که در آن می توان شکل موج ضربان قلب را تفکیک کرد.رویکرد پیشنهادی این پژوهش بدین صورت است که ابتدا یک سری پیش پردازش اولیه بر روی سیگنال انجام و بعد از نرمال سازی داده های سیگنالی، از الگوریتم بهینه سازی خفاش برای کاهش ابعاد، انتخاب و استخراج ویژگی های لازم برای تشخیص آرتیمی قلبی استفاده می شود و سپس برای مشخص کردن دقیق تشخیص ها، از طبقه بندی مبتنی بر شبکه عصبی کانولوشن به عنوان تکنیک یادگیری عمیق استفاده می شود. در انتها از یک سری معیارهای ارزیابی برای تضمین رویکرد پیشنهادی و مقایسه با مقالات پیشین در بخش شبیه سازی استفاده شده است

آریتمی قلبی سیگنالECG شبکه‌های عصب InceptionNet یادگیری عمیق الگوریتم بهینه سازی خفاش