موسسه آموزش عالی آپادانا فصلنامه پیشرفت های مهندسی در حوزه پزشکی و مواد - 1 4 2025 12 16 "Cardiac Arrhythmia Detection from ECG Signals Using Deep Neural Network InceptionNet and Bat Optimization Algorithm" تشخیص آریتمی قلبی از سیگنال های ECG با رویکرد شبکه عصبی عمیق InceptionNet و الگوریتم بهینه سازی خفاش 54 77 10.22051/jera.2021.31891.2698 FA علیرضا کارشناسی ارشد مهندسی پزشکی، دانشگاه بین المللی امام رضا (ع)، مشهد، ایران الهه کارشناسی مهندسی پزشکی، موسسه آموزش عالی آپادانا، شیراز، ایران 2025 11 11 In recent decades, automatic arrhythmia detection from electrocardiogram (ECG) signals has been widely investigated. The construction and continuous refinement of open-source ECG databases, such as the Massachusetts Institute of Technology-Beth Israel Hospital (MIT-BIH) arrhythmia database or the Speech Signal Processing Database (SLPDB), has made heart rate analysis from ECG signals accessible. Numerous methods have been proposed to discriminate heartbeats into five classes, including normal premature beats, supraventricular ectopic beats (SVEB), ventricular ectopic beats (VEB), fusion beats, and unknown beats, as defined by the AAMI standard, where the waveform of the heartbeat can be differentiated. The proposed approach of this research begins with an initial preprocessing of the signal, followed by normalization of the signal data. The Bat Optimization Algorithm is then employed for dimensionality reduction, feature selection, and extraction necessary for arrhythmia detection. To accurately classify the heartbeats, a convolutional neural network-based classifier, a deep learning technique, is used. Finally, a series of evaluation metrics are applied to ensure the effectiveness of the proposed approach and compare it with previous studies in the simulation section. 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 /downloadfilepdf/181110