Résumé:
Les maladies cardiovasculaires (MCV) sont la principale cause de décès aux États-Unis
aujourd'hui. L'analyse de l'électrocardiogramme (ECG), un appareil de surveillance médicale
qui enregistre l'activité cardiaque, est la méthode actuelle de détection de la maladie.
Malheureusement, trouver des professionnels pour examiner un grand volume de données
ECG prend beaucoup trop de temps et d'argent. En conséquence, les méthodes basées sur
l'apprentissage automatique pour reconnaître les caractéristiques de l'ECG n'ont cessé de
gagner du terrain.
Ces méthodes traditionnelles, en revanche, présentent plusieurs inconvénients, tels que la
nécessité d'une reconnaissance manuelle des caractéristiques, des modèles complexes et une
longue courbe d'apprentissage. Les cinq micro-classes de types de battements cardiaques
dans la base de données d'arythmie MIT-BIH sont classées à l'aide d'un réseau de neurones
convolutifs unidimensionnels profonds à 12 couches robustes et efficaces. Les cinq types de
caractéristiques de battements cardiaques sont classés et une méthode de débruitage en
ondelettes avec seuil auto-adaptatif est utilisée dans les expériences. Les résultats révèlent
que le modèle expérimental fonctionne mieux en termes de précision, de sensibilité, de
robustesse et de capacités anti-bruit. Sa classification précise préserve efficacement les
ressources médicales, ce qui profite à la pratique clinique.
