استراتيجية جديدة لزيادة البيانات لتصنيف التعلم العميق القوي لبيانات الزمن الحيوية: التطبيق على تحليل ECG وEEG

تتزايد الحاجة إلى تحليل دقيق وموحد للإشارات البيولوجية المتنوعة، مثل ECG وEEG، وهو أمر بالغ الأهمية للتقييم الشامل للمرضى، خاصة في المراقبة المتزامنة. على الرغم من التقدم في دمج متعدد المستشعرات، لا يزال هناك فجوة حيوية في تطوير هياكل موحدة تعالج بفعالية وتستخرج الميزات من الإشارات الفسيولوجية المختلفة جوهريًا. تحدٍ آخر هو التفاوت الفئوي الموروث في العديد من مجموعات البيانات الطبية، مما يؤدي غالبًا إلى أداء متحيز في الطرق التقليدية. تُعالج هذه الدراسة هذه القضايا من خلال اقتراح إطار عمل جديد موحد للتعلم العميق يحقق أداءً متقدمًا عبر أنواع الإشارات المختلفة. تكامل طريقتنا مع CNN المعتمدة على ResNet وآلية الانتباه، المعززة باستراتيجية جديدة لزيادة البيانات: دمج زمني لعدة متغيرات معززة لكل إشارة لتوليد تمثيلات أغنى. على عكس الأعمال السابقة، نزيد من تعقيد الإشارة بشكل علمي لتحقيق قدرات مستقبلية، مما أدى إلى أفضل التنبؤات مقارنةً بالحالة الراهنة. تضمنت خطوات المعالجة المسبقة إزالة الضوضاء باستخدام المويجات، وإزالة القاعدة، والتوحيد. تم إدارة التفاوت الفئوي بفعالية من خلال الاستخدام المشترك لهذه الزيادة المتقدمة في البيانات ودالة الفقد المركزة. تم تطبيق تقنيات التنظيم خلال التدريب لضمان التعميم. قمنا بتقييم الهندسة المقترحة بدقة على ثلاث مجموعات بيانات مرجعية: UCI Seizure EEG، وMIT-BIH Arrhythmia، وPTB Diagnostic ECG. وتحقيق دقة تبلغ %99.96 و%99.78 و%100 على التوالي، مما يدل على القوة عبر أنواع الإشارات المختلفة والسياقات السريرية. أخيرًا، تتطلب الهندسة حوالي 130 ميجا بايت من الذاكرة وتعالج كل عينة في حوالي 10 مللي ثانية، مما يشير إلى ملاءمتها للنشر على الأجهزة المحدودة الموارد أو القابلة للارتداء.