Détection des arythmies cardiaques basée sur l'ECG par apprentissage en ensemble et fusion de caractéristiques spatio-temporelles et de dépendance à long terme.

L'arythmie cardiaque est l'une des principales causes de décès dans le monde. Le diagnostic précoce de l'arythmie cardiaque est crucial pour fournir un traitement médical en temps utile. Les arythmies cardiaques sont diagnostiquées en analysant l'électrocardiogramme (ECG) des patients. L'analyse manuelle de l'ECG est longue et difficile. Par conséquent, la détection automatisée efficace des arythmies cardiaques est importante pour produire des résultats fiables. Différentes techniques d'apprentissage profond pour détecter les arythmies cardiaques telles que Réseau de Neurones Convolutifs (CNN), Mémoire à Long Court Terme (LSTM), Transformer et CNN-LSTM Hybride ont été proposées. Cependant, ces techniques, lorsqu'elles sont utilisées individuellement, ne sont pas suffisantes pour apprendre efficacement plusieurs caractéristiques du signal ECG. La fusion de CNN et de LSTM surmonte les limitations de CNN dans les études existantes, car les hybrides CNN-LSTM peuvent extraire des caractéristiques spatio-temporelles. Cependant, les LSTM souffrent de problèmes de dépendance à long terme, ce qui peut entraîner l'ignorance de certaines caractéristiques. Par conséquent, pour compenser les inconvénients des modèles existants, cet article propose une technique de fusion de caractéristiques plus complète en fusionnant des modèles CNN, LSTM et Transformer. La fusion de ces modèles facilite l'apprentissage des caractéristiques spatiales, temporelles et de dépendance à long terme, aidant ainsi à capturer différents attributs du signal ECG. Ces caractéristiques sont ensuite transmises à un classificateur par vote majoritaire équipé de trois apprenants de base traditionnels. Les apprenants traditionnels sont enrichis avec des caractéristiques profondes au lieu de caractéristiques élaborées à la main. Des expériences sont réalisées sur la base de données MIT-BIH des arythmies et les performances du modèle sont comparées à celles des modèles à la pointe de la technologie. Les résultats révèlent que le modèle proposé fonctionne mieux que les modèles existants, atteignant une précision de 99,56 %.