مناقشة رسالة الماجستير الموسومة ( تصنيف إشارة ECG باستعمال الانموذج الهجين المعتمد على تحويل هيلبرت – هوانغ والشبكة العصبية الملتفة ) في تخصص الإحصاء

تمت في كلية الادارة والاقتصاد / جامعة بغداد ، مناقشة رسالة الماجستير الموسومة ( تصنيف إشارة ECG باستعمال الانموذج الهجين المعتمد على تحويل هيلبرت – هوانغ والشبكة العصبية الملتفة ) في تخصص الإحصاء للطالب ( باقر أحمد حسين) بأشراف  أ.م. د. رباب عبد الرضا

تهدف الرسالة إلى معالجة المشكلة المذكورة من خلال بناء إطار تحليلي وهجين يجمع بين الأساليب الرياضية الطيفية وأساليب التعلم العميق، ويحقق تمثيلاً أكثر دقة لإشارة ECG. ويمكن تلخيص الأهداف الرئيسة للرسالة في النقاط الآتية:

• تحليل الإشارة الحيوية ECG باستخدام تحويل هيلبرت-هوانغ (HHT) واستخراج دوال الأنماط الجوهرية (IMFs) ومن ثم حساب الطاقة اللحظية، بهدف الحصول على تمثيل زمني-ترددي يكشف الأنماط المخفية والتغيرات غير الخطية في الإشارة والتخلص من تأثير الضوضاء.
• تصميم وبناء شبكة عصبية التفافية أحادية البعد (1D-CNN) لاستخراج الميزات العميقة من الإشارة الخام أو من مخرجات HHT، وتحسين قدرة النموذج على التمييز بين الفئات الخمس لإشارة ECG.
• بناء نماذج هجينة بهدف مقارنة أدائهم مع النموذج الفردي (1D-CNN فقط) وتحديد النموذج الأكثر كفاءة

وعليهِ، تسعى الرسالة إلى تحقيق منهجية هجينة عالية الكفاءة في تحليل وتصنيف إشارة ECG، تجمع بين قوة التحليل الطيفي لتحويل هيلبرت هوانغ (HHT)، وقدرة التعلم العميق (1D-CNN)، بهدف تحسين التشخيص المبكر للاضطرابات القلبية وتصنيف الإشارة إلى فئاتها الأساسية بدقة عالية.

وقد توصلت الدراسة الى عدد من الاستنتاجات اهمها :

1. أظهرت النتائج التجريبية أن نموذج الشبكة العصبية الالتفافية أحادية البعد
   (D-CNN1) المعتمد على الإشارة الزمنية الخام حقق أفضل أداء تصنيفي بين جميع النماذج المدروسة، إذ بلغت دقة الاختبار الكلية (Accuracy) نحو97.47%، مع درجة F1= 97.36%، متفوقاً بوضوح على جميع النماذج الهجينة المعتمدة على ميزات HHT.
2. بيّنت المقارنة الكمية أن النماذج الهجينة المعتمدة على ميزات تحويل هيلبرت–هوانغ لم تحقق تحسناً إضافياً مقارنةً بالنموذج المفرد، إذ انخفضت دقة الاختبار في أفضلها
   (Mean_E + 1D-CNN) إلى نحو 92.50%، مما يدل على أن استخراج الميزات يدوياً قد يؤدي إلى فقدان معلومات تمييزية كامنة في الإشارة الأصلية.
3. أثبت الأنموذج الهجين المعتمد على الطاقة اللحظية الأخيرة (Last_E + 1D-CNN) قصوراً جوهرياً في تمثيل الخصائص الزمنية لإشارات ECG، إذ بلغت قيمة الاسترجاع (Recall) للفئة (0%)=S في بيانات التدريب والاختبار، مع انخفاض حاد في الفئتين (33–35%)=V
   و (≤3%)=F ، رغم بقاء أداء الفئة الطبيعية N مرتفعاً (Recall = 99%).
4. أظهرت نتائج مصفوفات الالتباس لنموذج Last_E أن معظم نبضات الفئات المرضية S وF التبس تصنيفها على أنها الفئة الطبيعية N، وهو ما يفسّر ارتفاع الدقة الكلية ظاهرياً مقابل فشل النموذج في الاكتشاف الفعلي للحالات المرضية.

ومن خلال الاستنتاجات التي توصلت اليها الدراسة قدم الباحث عدد من التوصيات اهمها :

1. اعتماد نموذج الشبكة العصبية الالتفافية ذات البعد الواحد (1D-CNN) المعتمد على الإشارة الزمنية الخام كنموذج أساسي في الدراسات المستقبلية لتصنيف إشارات ECG، نظراً لتفوقه الواضح في دقة الاختبار مقارنة بالنماذج الهجينة المعتمدة على ميزات تحويل هيلبرت–هوانغ، ولاسيما عند التعامل مع عدم توازن الفئات.
2. تشير النتائج إلى أهمية إعادة تصميم النماذج الهجينة القائمة على تحويل هيلبرت–هوانغ إذ لا تعتمد على ميزة واحدة فقط، وإنما تستخدم مجموعة متكاملة من الميزات تمثل جوانب الطاقة والجوانب الترددية والزمنية للإشارة، بما يقلل من فقدان المعلومات التمييزية الناتج عن الاختزال.
3. دراسة تمثيلات بديلة لتحويل هيلبرت–هوانغ، مثل استخدام طاقة كل IMF بصورة منفصلة، أو استخراج خصائص إحصائية لحظية من طيف هيلبرت، أو تمثيل التغيرات الزمنية حول مركب QRS، ثم إدخال هذه الميزات ضمن مصفوفة متعددة القنوات إلى الشبكات العصبية الالتفافية.
4. توظيف التحويل المويجي (Wavelet Transform) لبناء أنموذج هجين
   WT+1D-CNN ومقارنته بالنموذج الهجين HHT+1D-CNN والأنموذج المفرد 1D-CNN، وبالإمكان تبديل تقطيع النوافذ حول القمم بالتقطيع عبر التحويل المويجي وباستخدام بيانات مناسبة.