فردین اخلاقیان طاب

ﻃﺒﻘﻪﺑﻨﺪی آرﯾﺘﻤﯽ در ﺳﯿﮕﻨﺎلﻫﺎی ECG ﺑﻪ دﻟﯿﻞ ﺗﻨﻮع ﺷﮑﻞ ﺳﯿﮕﻨﺎل، ﻧﻮﯾﺰ ﺑﺎﻻ، ﮐﻤﺒﻮد دادهﻫﺎی ﺑﺮﭼﺴﺐدار و ﻧﯿﺎز ﺑﻪ ﺗﻌﺎدل ﺑﯿﻦ دﻗﺖ و ﮐﺎراﯾﯽ، ﭼﺎﻟﺸﯽ ﻣﻬﻢ ﺑﺎﻗﯽ ﻣﺎﻧﺪه اﺳﺖ. روشﻫﺎی ﯾﺎدﮔﯿﺮی ﺧﻮدﻧﻈﺎرﺗﯽ ﺑﺎ ﮐﺎﻫﺶ واﺑﺴﺘﮕﯽ ﺑﻪ ﺑﺮﭼﺴﺐﻫﺎ اﻣﯿﺪﺑﺨﺶ ﻫﺴﺘﻨﺪ، اﻣﺎ اﻏﻠﺐ ﺗﻨﻬﺎ ﺑﻪ وﯾﮋﮔﯽﻫﺎی ﺳﺮاﺳﺮی ﯾﺎ ﻣﺤﻠﯽ ﺗﻤﺮﮐﺰ دارﻧﺪ، در ﺣﺎﻟﯽ ﮐﻪ ECG ﻧﯿﺎزﻣﻨﺪ در ﻧﻈﺮ ﮔﺮﻓﺘﻦ ﻫﺮ دو ﺑﺎ ﻫﺰﯾﻨﻪ ﻣﺤﺎﺳﺒﺎﺗﯽ ﭘﺎﯾﯿﻦ اﺳﺖ. ﺑﺮای ﻣﻘﺎﺑﻠﻪ ﺑﺎ اﯾﻦ ﭼﺎﻟﺶﻫﺎ، ﻣﺎ ECG-NAT را ﻣﻌﺮﻓﯽ ﻣﯽﮐﻨﯿﻢ؛ ﯾﮏ ﭼﺎرﭼﻮب ﺧﻮدﻧﻈﺎرﺗﯽ ﻧﻮآوراﻧﻪ ﻣﺒﺘﻨﯽ ﺑﺮ ﺗﺮاﻧﺴﻔﻮرﻣﺮﻫﺎی ﺗﻮﺟﻪ ﻫﻤﺴﺎﯾﮕﯽ Transformers) Attention (Neighborhood ﺑﺮای ﻃﺒﻘﻪﺑﻨﺪی ﭼﻨﺪﮐﺎﻧﺎﻟﻪ .ECG اﯾﻦ روش ﺷﺎﻣﻞ دو ﻣﺮﺣﻠﻪ اﺳﺖ: اﺑﺘﺪا ﯾﮏ ﻣﺮﺣﻠﻪ ﭘﯿﺶآﻣﻮزش ﺗﻮﻟﯿﺪی ﺑﺎ اﺳﺘﻔﺎده از ﺧﻮدرﻣﺰﮔﺬار ﭘﻮﺷﺶدار ﮐﻪ ﺑﺎزﺳﺎزی ﺳﯿﮕﻨﺎلﻫﺎی ﻧﺎﻗﺺ ECG را اﻧﺠﺎم ﻣﯽدﻫﺪ ﺗﺎ ﺑﺎزﻧﻤﺎﯾﯽﻫﺎی ﻏﻨﯽ و ﻗﺎﺑﻞاﻧﺘﻘﺎل از دادهﻫﺎی ﺑﺪون ﺑﺮﭼﺴﺐ اﺳﺘﺨﺮاج ﺷﻮد. در ﻣﺮﺣﻠﻪ دوم، ﺗﻨﻈﯿﻢ دﻗﯿﻖ ﺑﺎ اﺳﺘﻔﺎده از ﺗﺎﺑﻊ زﯾﺎن دوﮔﺎﻧﻪ ﺷﺎﻣﻞ زﯾﺎن ﮐﻨﺘﺮاﺳﺘﯽ ﻧﻈﺎرتﺷﺪه و آﻧﺘﺮوﭘﯽ ﻣﺘﻘﺎﺑﻞ اﻧﺠﺎم ﻣﯽﺷﻮد. زﯾﺎن ﮐﻨﺘﺮاﺳﺘﯽ ﮐﻤﮏ ﻣﯽﮐﻨﺪ ﺗﺎ ﻣﺪل ﺑﺘﻮاﻧﺪ ﻧﻤﺎﯾﺶﻫﺎﯾﯽ ﻣﺘﻤﺎﯾﺰ و ﻣﻌﻨﺎدار از ﮐﻼسﻫﺎی ﻣﺨﺘﻠﻒ ﯾﺎد ﺑﮕﯿﺮد ﮐﻪ ﺑﻪ ﺑﻬﺒﻮد ﻋﻤﻠﮑﺮد ﻃﺒﻘﻪﺑﻨﺪی ﮐﻤﮏ ﻣﯽﮐﻨﺪ. ﻧﺘﺎﯾﺞ ﺗﺠﺮﺑﯽ ﺑﺮ روی دادهﻫﺎی PTB-XL و CPSC2018 ﻧﺸﺎندﻫﻨﺪه ﺑﻬﺒﻮد ﭼﺸﻤﮕﯿﺮ در ﻣﻌﯿﺎرﻫﺎﯾﯽ ﻣﺎﻧﻨﺪ دﻗﺖ، F1-score و AUROC اﺳﺖ. اﯾﻦ ﻣﺪل ﺣﺘﯽ در ﺣﺎﻟﺖ اﺳﺘﻔﺎده از ﺗﻨﻬﺎ 1% دادهﻫﺎی ﺑﺮﭼﺴﺐدار ﻧﯿﺰ ﻋﻤﻠﮑﺮد ﺑﺎﻻﯾﯽ (88.1%) ﺣﻔﻆ ﻣﯽﮐﻨﺪ. ﺗﺮﮐﯿﺐ دﻗﺖ ﺑﺎﻻ و ﮐﺎراﯾﯽ ﻣﺤﺎﺳﺒﺎﺗﯽ، ECG-NAT را ﺑﻪ ﮔﺰﯾﻨﻪای ﻣﻨﺎﺳﺐ ﺑﺮای ﺗﺸﺨﯿﺺ ﺑﻼدرﻧﮓ ECG و ﺗﺤﻠﯿﻞ ﺳﺮیﻫﺎی زﻣﺎﻧﯽ ﻓﯿﺰﯾﻮﻟﻮژﯾﮑﯽ ﺗﺒﺪﯾﻞ ﻣﯽﮐﻨﺪ.