مقدمه 
بیماری‌های قلبی عروقی از شایع‌ترین بیماری‌هایی هستند که آمار بسیار زیادی از مرگ‌ومیر را در جهان به خود اختصاص داده‌اند. اکثر بیماری‌های قلبی در نوار قلبی از خود نشانه‌هایی نمایش می‌دهند، اما تشخیص وضعیت بیماران قلبی به کمک ECG نیازمند دانش و تجربه پزشکان متخصص است. بنابراین در شرایطی که این پزشکان دردسترس نباشد ضرورت دارد ابزار‌هایی طراحی شود تا امکان تشخیص بیماران قلبی برای بخش‌های مختلف کادر درمان فراهم شود. باتوجه‌به اهمیت تشخیص زودهنگام بیماران قلبی، هوشمندسازی فرایند تشخیص براساس دادد‏‌های نوار قلبی می‌‏تواند ویژگی‌های دقت، سرعت، سادگی کاربرد و اقتصادی‌بودن را در تشخیص فراهم سازد.
در این مقاله یک رویکرد 2 مرحله‌ای از شبکه‌های عصبی مصنوعی برای تشخیص وضعیت قابل یا غیرقابل استفاده بودن نوار قلبی و همچنین تشخیص سالم یا بیمار بودن با استفاده از ویژگی‌های نوار قلبی طراحی و برای آموزش شبکه‌های عصبی از اطلاعات نوار قلبی افرادی که به تعدادی از مراکز درمانی شهر اراک مراجعه کرده‌اند استفاده شده است. ساختار مقاله به این صورت است که ابتدا در بخش دوم مرور ادبیات و پیشینه تحقیقات بررسی شده است. سپس در بخش سوم مفاهیم و ابزار‌های مورد استفاده در رویکرد پیشنهادی به‌صورت مختصر تشریح شده است. آن‌گاه در بخش چهارم رویکرد پیشنهادی و اجزای آن تشریح و عملکرد آن بررسی شده است. درنهایت، نتایج در بخش پنجم آمده است.
مرور ادبیات
یکی از شایع‌ترین بیماری‌های مزمن، بیماری‌های قلبی-عروقی است. بیماری‌های قلبی عروقی شایع‌ترین علت مرگ میر ناشی از بیماری‌های غیر واگیردار در سراسر جهان است و با سطح بالایی از عوارض جانبی مشخص می‌شود [1]. یکی از راه‌های تشخیص بسیاری از بیماری‌های قلبی ECG است. نوار قلب بعنوان یکی از ساده‌ترین و ارزان‌ترین اقداماتی است که اطلاعات ارزشمندی را به متخصص قلب ارائه می‌دهد [2]. الکتروکاردیوگرام یا نوار قلب یک آزمون اولیه است که در آن فعالیت الکتریکی قلب و اطلاعات مربوط به ریتم، دریچه‌های قلب و رشد دهلیز‌ها و بطن‌ها را ثبت می‌شود. نوار قلب به‌عنوان اقدامی روتین و اولیه در بررسی درد‌های قلب و سکته‌های قلبی ارزش خاصی دارد [3]. فراوانی و تنوع زیاد اختلالات و نشانه‌های تشخیص بیماری به خصوص در شرایط بحرانی که با محدودیت زمان در تصمیم‌گیری و یادآوری همه متغیر‌ها همراه است باعث نیاز به ابزار‌های کمکی برای تشخیص بیماری می‌‏شود [4]. 
رانی و همکاران [5] برای طبقه‌بندی بیماران قلبی از شبکه عصبی مصنوعی (Artificial neural network) استفاده و نشان دادند که رویکرد پیشنهادی با دقت 87 درصد می‌‏تواند نوع بیماری را به‌درستی پیش‌بینی کند. موتوکاروپپان [6] بر اساس داده‌های بیماران قلبی و اطلاعات ECG در مراکز درمانی مجارستان، یک سیستم فازی برای تشخیص بیماری‌های عروق کرونر طراحی و نشان دادند که رویکرد آن‌ها با دقت 93/27 درصد بیماری را به‌درستی تشخیص می‏دهد. اماتو و همکاران [7] برای شناسایی بیماران قلبی از شبکه عصبی مصنوعی استفاده استفاده کردند. کومارو همکاران [8] برای پیش‌بینی بیماری قلبی با استفاده از مشخصه‏‌های بالینی و نوار قلبی پرونده بیماران یک بیمارستان در هند، یک سیستم فازی طراحی و نشان دادند که رویکرد آن‌ها در پیش‌بینی بیماری دقت 92 درصد دارد. یوهو [9] برای تشخیص آریتمی قلبی با استفاده از پایگاه داده آریتمی MIT–BIH یک شبکه عصبی مصنوعی طراحی و نشان دادند که روش پیشنهادی می‏تواند بین ضربان طبیعی و غیرطبیعی تمایز ایجاد کند. رای و همکاران [10] با بکار‌گیری سه نوع شبکه‌های عصبی و استفاده از اطلاعات نوار قلبی پایگاه داده MIT-BIH به طبقه‌بندی وضعیت نوار قلبی به دو صورت نرمال و غیرطبیعی پرداخته و دقت رویکرد پیشنهادی را 100 درصد تعیین کردند. آچاریا و همکاران [11] برای تشخیص نارسایی احتقاقی قلب به کمک ECG از شبکه عصبی استفاده و بالاترین دقت 97/98 درصد را به‌دست آوردند. همچنین آچاریا [12] برای پیش‌بینی بیماری عروق کرونر با استفاده از نوارقلبی از شبکه عصبی کانولوشن عمیق استفاده و نشان داد رویکرد پیشنهادی دقت 94 درصد دارد. نهایتاً آچاریا [13] برای تشخیص سکته قلبی شبکه عصبی کانولوشن عمیق را به‌کار برده و نشان دادند که دقت روش پیشنهادی با نویز و بدون نویز به‌ترتیب 93/5 درصد و 95/2 درصد دارد. شمس‌اللهی [14] با استفاده از 58 ویژگی استخراج شده در 282 نمونه جمع‏آوری شده از یک کلینیک قلب، یک مدل ترکیبی از درخت تصمیم، شبکه بیزی و شبکه عصبی برای پیش‌بینی بیماری کرونر قلبی استفاده و نشان دادند که روش درخت تصمیم با خطای 74% بهترین عملکرد تشخیصی را دارد. 
نارویی [15] برای تشخیص 16 کلاس از بیماری آریتمی قلبی از داده‌های 452 نمونه در پایگاه داده UCI و روش یادگیری عمیق استفاده کرد. نارویی [16] با استفاده از همان داده‏‌ها از روش‌های فیشر و ماشین بردار پشتیبان برای تعیین ویژگی‌ها و تشخیص بیماری استفاده کرده است. همچنین نارویی [17] برای تشخیص بیماری با استفاده از 276 ویژگی از روش تحلیل مؤلفه‏های اصلی و شبکه عصبی عمیق برای تشخیص بیماری استفاده کرده است. ساکلاین [18] با کاربرد ماشین بردار پشتیبان بر روی چهار مجموعه داده بیماری قلبی در پایگاه داده UCI افراد را به دو گروه طبیعی و بیمار قلبی طبقه‌بندی کرد. حمید باشی [19] برای تشخیص بیماری قلبی آپنه انسدادی در جانبازان شیمیایی از شبکه عصبی و اطلاعات ECG 96 نمونه جمع‌آوری‌شده از بیمارستان بقیه‌الله استفاده و دقت روش را 97/4 درصد تعیین کردند. ونگ و همکاران [20] یک شبکه عصبی عمیق برای تشخیص سکته قلبی با استفاده از اطلاعات استخراج شده از نوار قلبی طراحی کردند. کوبات [21] برای تشخیص و دسته‏بندی آریتمی از ماشین پشتیبان یادگیری استفاده و 53 ویژگی از ECG مربوط به 1000 نمونه بیمارقلبی را به‌کار برده و نشان دادند که با استفاده از تعداد بیشتر ویژگی نوار قلبی می‌توان به دقت بالاتری در تشخیص و طبقه‌بندی بیماران دست یافت.
با بررسی پیشینه تحقیق مشخص می‌شود که اگر چه ابزار‌های متفاوت و مختلفی برای تشخیص انواع بیماری قلبی با استفاده از اطلاعات نوار قلبی پیشنهاد شده است، اما یک رویکرد که به‌صورت هم‌زمان بتواند وضعیت نوار قلبی و همچنین وجود بیماری قلبی را با دقت بالا تعیین کند طراحی نشده است. بنابراین در این مقاله یک رویکرد 2 مرحله‌ای از شبکه‌های عصبی مصنوعی برای این منظور طراحی و این شبکه‌ها با استفاده از داده‏‌های نوار قلبی مراجعین به تعدادی از مراکز درمانی شهر اراک آموزش داده شده است. ویژگی‌ها و نوآوری‌های رویکرد پیشنهادی عبارت است از:
استفاده از یک رویکرد سلسله‌مراتبی برای تشخیص وضعیت نوار قلبی و تشخیص وجود بیماری قلبی.
صحت و دقت بالا در تشخیص وضعیت نوار قلبی و تشخیص وجود بیماری قلبی. 
استفاده از اطلاعات واقعی مراجعین شهر اراک در طراحی رویکرد پیشنهادی.
روش بررسی
مفاهیم و تعاریف و روش‌های به‌کار گرفته شده در رویکرد پیشنهادی برای تشخیص بیماری قلبی در ادامه به‌صورت مختصر تشریح شده است.
نوار قلبی (ECG) 
الکتروکاردیوگرام یا نوار قلب (ECG) ثبت نوشتاری پتانسیل‌های تولید شده قلب بوده و یک روش تشخیصی سریع، ساده و بدون درد برای ارزیابی سلامت قلب و عروق است. همچنین برای تشخیص برخی از ناهنجاری‌های قلبی مانند آریتمی‌ها یا بی‌نظمی قلبی، آنژین صدری و سکته قلبی و... از نوار قلبی استفاده می‌شود. نوار قلبی می‌تواند اختلالات هدایتی و عضلانی قلب را به‌خوبی نشان دهد و مشخص شده است که می‌‏تواند اطلاعات مفیدی را مشخص کند [22]. نمونه‏ای از یک سیگنال نوار قلبی در تصویر شماره 1 نشان‌داده شده است.

همان‌طورکه درتصویر شماره 1 دیده می‌شود امواج فعالیت الکتریکی در ECG از چندین موج، قطعه و ترکیب ایجاد می‌شود. هر دوره قلبی از یک موج P شروع و تا موج P بعدی ادامه دارد. P یک موج نسبتاً کوچک است که انقباض دهلیز را نشان می‌دهد. بعد از مکثی کوتاه ترکیب QRS به چشم می‌خورد که گویی خط نوار قلب حرکتی سریع به سمت پایین، بالا و دوباره به سمت پایین داشته است. این ترکیب در اثر انقباض بطن‌ها ایجاد می‌شود و در نهایت پس از مکثی بلندتر موج T مشاهده می‌شود که پرشدن ناگهانی بطن‌ها را نشان می‌دهد. در ECG یک قطعه ST و 4 فاصله اصلی شامل: R-R، PR، QRS و QT وجود وجود دارد که تغییرات آن‌ها نشان‌دهنده بیماری‌های خاصی می‌‏باشد.
شبکه عصبی مصنوعی 
شبکه عصبی مصنوعی با الهام از شبکه نورون‌های مغز انسان، سعی در توسعه پردازش اطلاعات دارد. هر نورون در این شبکه یک عنصر پردازشی بوده و در کنار دیگر عناصر پردازشی به حل مسائل مختلف می‌پردازد [23]. در این ساختار گره‌های پرشماری در کنار یکدیگر به‌صورت موازی با هدف پردازش کلی فعالیت می‌کنند. این ساختار داده‌ها در یک شبکه ارتباطی با یکدیگر قرار گرفته و این شبکه توسط انسان مورد آموزش و یادگیری قرار می‌گیرد. یک شبکه عصبی مصنوعی معمولاً دارای لایه ورودی، لایه خروجی و لایه‏‌های پنهان هستند که از لایه‏‌های پنهان برای بهبود عملکرد شبکه عصبی در تشخیص الگو استفاده می‌‏شود. نمونه‏ای از شبکه عصبی مصنوعی در تصویر شماره 2 نشان داده شده است.

داده‌های مورد استفاده در طراحی شبکه عصبی معمولاً به 3 گروه مستقل آموزش، آزمون و اعتبارسنجی تقسیم می‏شوند که از داده‏های آزمون برای بررسی عملکرد شبکه عصبی آموزش دیده استفاده می‏شود. همچنین برای بررسی عملکرد شبکه‌های عصبی از شاخص‌هایی مانند: صحت، دقت، حساسیت، ارزش اخباری منفی و تشخیص استفاده می‌شود که این شاخص‌ها در فرمول‌های 1، 2، 3، 4 و 5 تعریف شده‌اند. 


در روابط بالا و در یک شبکه عصبی با خروجی دو وضعیتی، نرخ مثبت صحیح تعداد نمونه‌های گروه هدف که به‌درستی به گروه هدف تخصیص داده شده‌اند، نرخ منفی صحیح تعداد نمونه‌های گروه غیرهدف که به‌درستی به گروه غیرهدف تخصیص داده شده‌اند، نرخ مثبت کاذب، تعداد نمونه‌های گروه هدف که به اشتباه در گروه غیرهدف قرار گرفته‌اند و نرخ منفی کاذب تعداد نمونه‌های گروه غیرهدف که به اشتباه در گروه هدف قرار گرفته‌اند، می‌باشند. شاخص‌های عملکردی معمولاً در یک گراف استاندارد موسوم به ماتریس آشفتگی نشان داده می‌شوند که تصویر شماره 3 نمونه‌ای از این ماتریس را برای یک شبکه‌های عصبی با خروجی دو وضعیتی نشان می‌دهد.

یافته‌ها
برای تشخیص بیماری قلبی در وضعیت واقعی ابتدا از مراجعین مشکوک به مراکز درمانی، براساس تجویز پزشک نوار قلبی گرفته شده و اگر نوار قلبی دارای نویز معنی‌دار تشخیص داده شود آن نوار فاقد اعتبار بوده و باید گرفتن نوار قلبی تکرار شود. اما درصورتی‌که نوار قلبی قابل استفاده باشد، متخصص با بررسی آن وضعیت سلامت یا وجود بیماری قلبی در فرد را تشخیص دهد. درنهایت، درصورت وجود بیماری قلبی، نوع آن مشخص و متناسب با آن آزمایشات تکمیلی و پروتکل درمان متناسب دنبال خواهد شد. رویکرد 2 مرحله‌ای پیشنهادی نیز یک رویکرد سلسله‌مراتبی است که باتوجه‌به رویه مرسوم در مراکز درمانی طراحی شده و در آن هدف بهره‌گیری از روش‌های یادگیری تحت نظارت برای خودکارسازی فرآیند تشخیص بیماری قلبی است. روند نمای نحوه استفاده از رویکرد پیشنهادی در تصویر شماره 4 نشان داده شده است.

مراحل طراحی رویکرد سلسله‌مراتبی پیشنهادی در ادامه تشریح شده است.
مرحله 1: جمع‌آوری و آماده‌سازی داده‌ها
در مرحله اول داده‌های مورداستفاده در رویکرد پیشنهادی شامل 861 نمونه از اطلاعات افرادی که در سال‌های 1397 الی 1399 به مرکز آموزشی و درمانی ‌امیرکبیر و مرکز آموزشی درمانی حضرت ولی‌عصر(عج) و همچنین کلینیک امام رضا(ع) در شهر اراک مراجعه کرده‏اند، جمع‌آوری شده است. سپس داده‏‌های جمع‏آوری شده بررسی و نوار‌های تکراری و ناقص و یا خارج از محدوده تحقیق با نظر متخصصین خارج شده، تا درنهایت 704 نمونه قابل‌‌بررسی باقی مانده است. از میان این نمونه‏‌ها، وضعیت نوار‌های قلبی با نظر متخصصین قلب بررسی و نمونه‌ها به دو دسته قابل‌استفاده و غیرقابل‌استفاده تفکیک شده است. منظوراز غیرقابل استفاده، نوارقلبی بیمارانی است که لید اندامی یا تحتانی آن‌ها اشتباه بسته شده و یا کم و زیاد شدن ولتاژ، وجود نویز و فرکانس و نمونه‌های خارج از محدوده باعث عدم امکان استفاده از نوار قلبی شده است. در مرحله بعد، نمونه‌های قابل‌استفاده (669 نمونه) با بررسی مستندات و نظر پزشکان متخصص به دو دسته سالم (نرمال) و بیمار تفکیک شده است.
مرحله 2: تعیین ویژگی های نوار قلبی (متغیرهای ورودی)
در این مرحله برای تعیین وضعیت نوار قلبی و تشخیص وجود بیماری قلبی تعداد 154 ویژگی نوار قلبی با استفاده از منابع معتبر و نظر متخصصان مشخص و به‌عنوان ورودی شبکه‌های عصبی از آن‌ها استفاده شده است. فهرست ویژگی‌های مورد استفاده در نوار قلبی و مقیاس اندازه‌گیری آن‌ها در جدول شماره 1 نشان داده شده است.


مرحله 3: تعیین متغیرهای خروجی شبکه های عصبی
در رویکرد 2 مرحله‌ای برای تعیین وضعیت نوار قلبی و همچنین تشخیص بیماری قلبی از 2 شبکه عصبی مصنوعی استفاده شده است که متغیر‌های خروجی هر یک از این شبکه‌ها در جدول شماره 2 نشان داده شده است.


مرحله 4: طراحی شبکه‏ های عصبی
همان‌طورکه قبلاً بیان شد در رویکرد پیشنهادی از دو شبکه عصبی برای بررسی وضعیت نوار قلبی و تشخیص بیماری قلبی استفاده شده است. در این مرحله باتوجه‌به اینکه مقیاس داده‌ها یکسان نیستند ابتدا در عملیات پیش فرآوری، سطر‌های ثابت که نقشی در بهبود طراحی ندارند حذف و داده‌ها در مقیاس [1+، 1-] تجدید مقیاس شدند. همچنین تقسیم‌بندی داده‌های مورداستفاده در یادگیری شبکه‌های عصبی نیز به‌صورت کاملاً تصادفی انجام شده است. برای آموزش شبکه‌های عصبی و با هدف کمینه‌سازی آنتروپی متقاطع از الگوریتمSCG (Scaled Conjugate Graduate) استفاده و شرط توقف آموزش شبکه‌های عصبی نیز توقف بهبود در 6 مرحله متوالی درنظر گرفته شده است. هر دو شبکه عصبی در نرم‌افزار متلب و براساس تابع Patternnet طراحی و مدل‏سازی شده است. به‌عنوان نمونه ساختار شبکه عصبی تشخیص وضعیت نوار قلبی در تصویر شماره 5 نشان داده شده است.

مشخصات ساختار شبکه‌های عصبی مورد استفاده در رویکرد پیشنهادی نیز در جدول شماره 3 نشان داده شده است.


مرحله 5: ارزیابی عملکرد شبکه های عصبی 
در مرحله پنجم برای ارزیابی عملکرد رویکرد سلسله‌مراتبی، عملکرد هر یک از شبکه‌های عصبی آموزش دیده با استفاده از شاخص‌های داده شده در روابط 1 تا 5 و در قالب ماتریس‌های آشفتگی به‌صورت جداگانه ارزیابی شده است. ماتریس‌های آشفتگی شبکه عصبی تشخیص وضعیت نوار قلبی برای داده‌های آموزش، آزمون، اعتبارسنجی و کل در تصویر 7 نشان داده شده است.

همچنین ماتریس آشفتگی شبکه عصبی تشخیص بیماری قلبی برای کل داده‌ها نیز در تصویر شماره 8 نشان داده شده است.

باتوجه‌به ماتریس‌های آشفتگی شبکه‌های عصبی مورداستفاده در رویکرد پیشنهادی نشان داده شده در تصاویر 7 و 8، صحت و دقت بالای این رویکرد در تعیین وضعیت نوار قلبی و همچنین تشخیص بیماری قلبی مشخص می‌شود.
بحث
در رویکرد 2 مرحله‌ای تشخیص بیماری قلبی با استفاده از اطلاعات نوار قلبی، ابتدا در مرحله اول یک شبکه عصبی وضعیت قابل‌استفاده و یا غیرقابل‌استفاده‌ بودن نوار قلبی را مشخص کرده و درصورت قابل‌استفاده‌بودن، در مرحله دوم یک شبکه عصبی دیگر سالم یا بیمار بودن نوار قلبی را بررسی می‌کند. شاخص‌های عملکردی شبکه‌های عصبی مورداستفاده در رویکرد پیشنهادی برای کل داده‌ها در جدول شماره 4 نشان داده شده است.


باتوجه‌به جدول فوق مشخص است که شبکه عصبی تعیین وضعیت نوار قلبی دارای دقت 97/1 درصد، صحت 97/3 درصد، قدرت تشخیص 100 درصد، حساسیت 64/8 درصد و NPV برابر با 100 درصد می‌باشد. همچنین شبکه عصبی تشخیص بیماری قلبی نیز دارای دقت 95/8 درصد، صحت 95/4 درصد، قدرت تشخیص 99/4 درصد، حساسیت 48/1 درصد و NPV برابر با 86/7 درصد می‌باشد. این مقادیر نشان‌دهنده عملکرد و کیفیت بسیار بالای رویکرد پیشنهادی در تعیین خودکار وضعیت نوار قلبی و همچنین تشخیص بیماری قلبی می‌باشد. 
همچنین با مقایسه رویکرد پیشنهادی با مقالات رای و همکاران [10]، آچاریا [12] و ساکلاین [18] مشخص می‏شود که در رویکرد پیشنهادی برای اولین‌بار تعیین وضعیت نوار قلبی و همچنین تشخیص وجود بیماری قلبی به‌صورت سلسله‌مراتبی درنظر گرفته شده است. علاوه‌بر این، در طراحی رویکرد پیشنهادی برخلاف اکثر پژوهش‌های قبلی به‌جای استفاده از داده‏های پایگاه‌های اطلاعاتی استاندارد خارجی، از اطلاعات واقعی داخلی استفاده شده است که استفاده از این رویکرد را در کاربردهای واقعی بیشتر می‏کند.
نتیجه‌گیری
در این مقاله برای هوشمندسازی تشخیص بیماری با استفاده از نوار قلبی، از یک رویکرد 2 مرحله‌ای مبتنی بر شبکه‌های عصبی استفاده شده است. برای طراحی رویکرد پیشنهادی، اطلاعات نوار قلبی بیش از 800 مراجعه‌کننده به تعدادی از مراکز درمانی شهر اراک جمع‌آوری و آماده‌سازی شده و با نظر متخصصین برای همه نمونه ‏ها وضعیت نوار قلبی ازنظر قابل استفاده یا غیرقابل‌استفاده بودن مشخص شده و در نوارهای قابل استفاده نیز وضعیت وجود یا عدم‌وجود بیماری قلبی تعیین شده است. سپس از میان ویژگی‏‌های نوار قلبی، 154 ویژگی‏ با مشاوره متخصصین تعیین و به‌عنوان متغیر ورودی شبکه‌های عصبی درنظر گرفته شده است. در رویکرد دو مرحله‏ای، در مرحله اول با استفاده از نمونه‏‌های نوار قلبی موجود یک شبکه عصبی برای تعیین وضعیت نوار قلبی طراحی شده است که متغیر خروجی آن قابل‌استفاده یا غیرقابل استفاده بودن اطلاعات نوار قلبی می‌باشد. سپس در مرحله دوم با استفاده از نمونه‌های نوار قلبی قابل‌استفاده، یک شبکه عصبی برای تشخیص بیماری قلبی طراحی شده که متغیر خروجی آن وجود یا عدم‌وجود بیماری قلبی می‌باشد. در رویکرد پیشنهادی، شبکه عصبی تشخیص وضعیت نوار قلبی دارای دقت 97/1 درصد و صحت 97/3 درصد بوده و همچنین شبکه عصبی تشخیص بیماری قلبی نیز دارای دقت 95/8 درصد و صحت 95/4 درصد می‌باشد که نشان‌دهنده صحت و دقت بالای رویکرد پیشنهادی در تشخیص بیماری بر مبنای اطلاعات نوار قلبی می‌باشد. باتوجه‌به کارایی بالای رویکرد پیشنهادی در تعیین بیماری قلبی می‏توان از این رویکرد به‌عنوان یک دستیار قابل‌اعتماد برای کمک به کادر درمان و کاهش مرگ‌ومیر ناشی از بیماری‌های قلبی استفاده کردد. به‌عنوان تحقیقات آتی نیز می‌‏توان به طراحی ابزار‌های هوشمند برای تشخیص نوع بیماری‌های قلبی و همچنین تعیین پروتکل‌های درمان اشاره کرد.

ملاحظات اخلاقی
پیروی از اصول اخلاق پژوهش
دارای شناسه اخلاق از دانشگاه علوم پزشکی اراک با شماره IR.ARAKMU.REC.1400.138 می‏باشد.

حامی مالی
این تحقیق هیچ کمک مالی از سازمان های مالی در بخش های عمومی، تجاری یا غیر انتفاعی دریافت نکرد.

مشارکت نویسندگان
مفهوم‌سازی: تمامی نویسندگان روش پژوهش و نمونه‌گیری: مجید مهراد، مجید نوجوان و صدیق رئیسی تحلیل داده‌ها: مجید مهراد، مجید نوجوان و و صدیق رئیسی؛ نگارش متن و بازبینی: همه نویسندگان.

تعارض منافع
بنابر اظهار نویسندگان، این مقاله هیچ‌‌گونه تعارضی منافعی ندارد.

تشکر و قدردانی
نویسندگان از همکاری صمیمانه ریاست واحد پژوهش دانشگاه علوم پزشکی اراک، خانم دکتر کلانتری، مدیر گروه قلب و عروق دانشگاه علوم پزشکی اراک آقای دکتر مشایخی و از کادر درمانی مرکز آموزشی و درمانی ‌امیرکبیر، کلینیک امام رضا(ع) و مرکز آموزشی درمانی حضرت ولی‌عصر(عج) ، تشکر و قدردانی می‌کنند.

References
1.Kendir C, van den Akker M, Vos R, Metsemakers J. Cardiovascular disease patients have increased risk for comorbidity: A cross-sectional study in the Netherlands. Eur J Gen Pract. 2018; 24(1):45-50. [DOI:10.1080/13814788.2017.1398318] [PMID] [PMCID]
2.Carlson B, Austel Nadeau C, Glaser D, Fields W. Evaluation of the effectiveness of the healthy heart tracker on heart failure self-care. Patient Educ Couns. 2019; 102(7):1324-30. [DOI:10.1016/j.pec.2019.02.010] [PMID]
3.Bayés de Luna A, Brugada J, Baranchuk A, Borggrefe M, Breithardt G, Goldwasser D, et al. Current electrocardiographic criteria for diagnosis of Brugada pattern: A consensus report. J Electrocardiol. 2012; 45(5):433-42. [DOI:10.1016/j.jelectrocard.2012.06.004] [PMID]
4.Van Pham H. A proposal of expert system using deep learning neural networks and fuzzy rules for diagnosing heart disease. In: Satapathy S, Bhateja V, Nguyen B, Nguyen N, Le DN, editors. Frontiers in intelligent computing: Theory and applications. Singapore: Springer; 2019. [DOI:10.1007/978-981-32-9186-7_21]
5.Bayés de Luna A, Brugada J, Baranchuk A, Borggrefe M, Breithardt G, Goldwasser D, et al. Current electrocardiographic criteria for diagnosis of Brugada pattern: A consensus report. J Electrocardiol. 2012; 45(5):433-42. [DOI:10.1016/j.jelectrocard.2012.06.004] [PMID]
6.Rani KU. Analysis of heart diseases dataset using neural network approach. Int J Data Min Knowl Manag Process. 2011; 1(5):1-8. [DOI:10.5121/ijdkp.2011.1501]
7.Muthukaruppan S, Er MJ. A hybrid particle swarm optimization based fuzzy expert system for the diagnosis of coronary artery disease. Expert Syst Appl. 2012; 39(14):11657-65. [DOI:10.1016/j.eswa.2012.04.036]
8.Amato F, López A, Peña-Méndez EM, Vaňhara P, Hampl A, Havel J. Artificial neural networks in medical diagnosis. J Appl Biomed. 2013; 11:47-58. [DOI:10.2478/v10136-012-0031-x]
9.Hu YH, Tompkins WJ, Urrusti JL, Afonso VX. Applications of artificial neural networks for ECG signal detection and classification. J Electrocardiol. 1993; 26 Suppl:66-73. [PMID]
10.Rai HM, Trivedi A, Shukla S. ECG signal processing for abnormalities detection using multi-resolution wavelet transform and artificial neural network classifier. Measurement. 2013; 46(9):3238-46. [DOI:10.1016/j.measurement.2013.05.021]
11.Acharya UR, Fujita H, Oh SL, Hagiwara Y, Tan JH, Adam M, et al. Deep convolutional neural network for the automated diagnosis of congestive heart failure using ECG signals. Appl Intell. 2019; 49(1):16-27. [DOI:10.1007/s10489-018-1179-1]
12.Acharya UR, Fujita H, Lih OS, Adam M, Tan JH, Chua CK. Automated detection of coronary artery disease using different durations of ECG segments with convolutional neural network. Knowl Based Syst. 2017; 132:62-71. [DOI:10.1016/j.knosys.2017.06.003]
13.Acharya UR, Fujita H, Oh SL, Hagiwara Y, Tan JH, Adam M. Application of deep convolutional neural network for automated detection of myocardial infarction using ECG signals. Inf Sci. 2017; 415:190-8. [DOI:10.1016/j.ins.2017.06.027]
14.Shamsollahi M, Badiee A, Ghazanfari M. Using combined descriptive and predictive methods of data mining for coronary artery disease prediction: A case study approach. J AI Data Min. 2019; 7(1):47-58. [DOI:10.22044/jadm.2017.4992.1599]
15.Naruei I, Zamani B. Diagnosis of cardiac arrhythmia using deep learning (Persian)]. Paper presented at: The First Electronic Conference on New Ideas in Cumputer Engineering. 3 September 2015; Sahrekord: Iran. [Link]
16.Naruei I, Zamani B. [Diagnosis of cardiac arrhythmia using Fisher and Ls-Svm (Persian)]. Paper presented at: The Second Electronic Conference on New Research in Science and Technology (EMA). 21 July 2015; Kerman, Iran. [Link]
17.Naruei I, Zamani B. Diagnosis of cardiac arrhythmia using Pca and MLP neural network (Persian)]. Paper presented at: The Second Electronic Conference on New Research in Science and Technology (EMA). 21 July 2015; Kerman, Iran. [Link]
18.Saqlain SM, Sher M, Shah FA, Khan I, Ashraf MU, Awais M, et al. Fisher score and Matthews correlation coefficient-based feature subset selection for heart disease diagnosis using support vector machines. Knowl Inf Syst. 2019; 58(1):139-67. [DOI:10.1007/s10115-018-1185-y]
19.Najafi Zereh Bashi HR, Hosseini R, Mazinani M. Diagnosis of obstructive apnea disease AHI in chemical warfare veterans based on HRV signals analysis using the ANFIS neural network. Spec J Electron Comput Sci. 2021; 7(1):1-12. [Link]
20.Wang J, Qiao X, Liu C, Wang X, Liu Y, Yao L, et al. Automated ECG classification using a non-local convolutional block attention module. Comput Methods Programs Biomed. 2021; 203:106006. [DOI:10.1016/j.cmpb.2021.106006] [PMID]
21.Kobat MA, Karaca O, Barua PD, Dogan S. Prismatoid pat net 54: An accurate ECG signal classification model using prismatoid pattern-based learning architecture. Symmetry. 2021; 13(10):1914. [DOI:10.3390/sym13101914]
22.Glass GF, Sudhir A, Pandit AA. The ECG and metabolic abnormalities. Electrocardiogram Clin Med. 2020, 5:307-13. [DOI:10.1002/9781118754511.ch30]
23.Abiodun OI, Jantan A, Omolara AE, Dada KV, Umar AM, Linus OU, et al. Comprehensive review of artificial neural network applications to pattern recognition. IEEEAccess. 2019; 7:158820-46. [DOI:10.1109/ACCESS.2019.2945545]