ترجمه فارسی مقاله MambaCapsule: به سوی تشخیص شفاف بیماری‌های قلبی با الکتروکاردیوگرافی با استفاده از شبکه Mamba Capsule

چکیده

Cardiac arrhythmia, a condition characterized by irregular heartbeats, often serves as an early indication of various heart ailments. With the advent of deep learning, numerous innovative models have been introduced for diagnosing arrhythmias using Electrocardiogram (ECG) signals. However, recent studies solely focus on the performance of models, neglecting the interpretation of their results. This leads to a considerable lack of transparency, posing a significant risk in the actual diagnostic process. To solve this problem, this paper introduces MambaCapsule, a deep neural networks for ECG arrhythmias classification, which increases the explainability of the model while enhancing the accuracy.Our model utilizes Mamba for feature extraction and Capsule networks for prediction, providing not only a confidence score but also signal features. Akin to the processing mechanism of human brain, the model learns signal features and their relationship between them by reconstructing ECG signals in the predicted selection. The model evaluation was conducted on MIT-BIH and PTB dataset, following the AAMI standard. MambaCapsule has achieved a total accuracy of 99.54% and 99.59% on the test sets respectively. These results demonstrate the promising performance of under the standard test protocol.

چکیده به فارسی (ترجمه ماشینی)

آریتمی قلبی ، شرایطی که با ضربان قلب نامنظم مشخص می شود ، اغلب به عنوان نشانه ای اولیه از بیماری های مختلف قلب عمل می کند.با ظهور یادگیری عمیق ، بسیاری از مدل های نوآورانه برای تشخیص آریتمی با استفاده از سیگنال های الکتروکاردیوگرام (ECG) معرفی شده اند.با این حال ، مطالعات اخیر صرفاً بر عملکرد مدل ها متمرکز شده و از تفسیر نتایج آنها غفلت می کند.این منجر به عدم شفافیت قابل توجهی می شود و خطر قابل توجهی در فرآیند تشخیصی واقعی ایجاد می کند.برای حل این مشکل ، این مقاله Mambacapsule ، یک شبکه عصبی عمیق برای طبقه بندی آریتمی ECG را معرفی می کند ، که توضیحات مدل را در حالی که دقت را افزایش می دهد ، افزایش می دهد. مدل ما از Mamba برای استخراج ویژگی ها و شبکه های کپسول برای پیش بینی استفاده می کند ، نه تنها نمره اعتماد به نفس را ارائه می دهدبلکه ویژگی های سیگنال نیز هست.شبیه به مکانیسم پردازش مغز انسان ، این مدل با بازسازی سیگنال های ECG در انتخاب پیش بینی شده ، ویژگی های سیگنال و ارتباط آنها بین آنها را می آموزد.ارزیابی مدل بر روی مجموعه داده MIT-BIH و PTB ، به دنبال استاندارد AAMI انجام شد.Mambacapsule به ترتیب در مجموعه های آزمون به ترتیب در کل 99.54 ٪ و 99.59 ٪ به دست آورده است.این نتایج نشان دهنده عملکرد امیدوار کننده تحت پروتکل آزمون استاندارد است.