ترجمه فارسی مقاله یادگیری عمیق برای شناسایی کمپلکس‌های سیستولیک در ردپاهای SCG: یک تحلیل بین مجموعه داده‌ها

چکیده

The seismocardiographic signal is a promising alternative to the traditional ECG in the analysis of the cardiac activity. In particular, the systolic complex is known to be the most informative part of the seismocardiogram, thus requiring further analysis. State-of-art solutions to detect the systolic complex are based on Deep Learning models, which have been proven effective in pioneering studies. However, these solutions have only been tested in a controlled scenario considering only clean signals acquired from users maintained still in supine position. On top of that, all these studies consider data coming from a single dataset, ignoring the benefits and challenges related to a cross-dataset scenario. In this work, a cross-dataset experimental analysis was performed considering also data from a real-world scenario. Our findings prove the effectiveness of a deep learning solution, while showing the importance of a personalization step to contrast the domain shift, namely a change in data distribution between training and testing data. Finally, we demonstrate the benefits of a multi-channels approach, leveraging the information extracted from both accelerometers and gyroscopes data.

چکیده به فارسی (ترجمه ماشینی)

سیگنال لرزه نگاری یک جایگزین امیدوار کننده برای ECG سنتی در تجزیه و تحلیل فعالیت قلبی است.به طور خاص ، مجتمع سیستولیک به عنوان آموزنده ترین بخش لرزه نگاریوگرافی شناخته شده است ، بنابراین نیاز به تجزیه و تحلیل بیشتر دارد.راه حل های پیشرفته برای تشخیص مجموعه سیستولیک مبتنی بر مدلهای یادگیری عمیق است که در مطالعات پیشگام اثبات شده است.با این حال ، این راه حل ها فقط در یک سناریوی کنترل شده با توجه به تنها سیگنال های تمیز به دست آمده از کاربران که هنوز در وضعیت خوابیده به پشت نگهداری می شوند ، آزمایش شده اند.مهمتر از آن ، تمام این مطالعات داده های حاصل از یک مجموعه داده واحد را در نظر می گیرند و از مزایا و چالش های مربوط به سناریوی داده های متقابل غافل می شوند.در این کار ، یک تجزیه و تحلیل آزمایشی متقابل داده با توجه به داده های سناریوی دنیای واقعی انجام شد.یافته های ما اثربخشی یک راه حل یادگیری عمیق را نشان می دهد ، ضمن اینکه اهمیت یک مرحله شخصی سازی را برای تضاد با تغییر دامنه نشان می دهد ، یعنی تغییر در توزیع داده ها بین داده های آموزش و آزمایش.سرانجام ، ما مزایای یک رویکرد چند کنل را نشان می دهیم ، و اطلاعاتی را که از داده های شتاب سنج و ژیروسکوپ ها استخراج شده است ، اعمال می کنیم.