مرکز منطقه ای اطلاع رسانی علوم و فناوری فصلنامه مهندسی برق و مهندسی کامپيوتر ايران 16823745 24 2 2026 10 25 proposing a new method based on LSTM neural network for anomaly detection in ECG time series data ارائه یک روش مبتنی بر شبکه‌ی عصبی حافظه‌ی کوتاه‌مدت ماندگار برای تشخیص ناهنجاری در داده‌های سری زمانی نوار قلب fa نصرتعلی اشرفی پیامن Iran University of Science and Technology بهراد مظاهری دانشگاه خوارزمی 2026 2 4 <p style="text-align: left;">In this study, a novel method for detecting abnormalities in electrocardiogram (ECG) signals is presented, which is based on deep learning and LSTM neural networks. In this method, first, ECG signals received from the MIT-BIH dataset are preprocessed. Preprocessing includes noise removal, normalization, and segmentation of the signals. Then, key features from each period of cardiac electrical activity, such as P, Q, R, S, T waves and the time intervals between them, are extracted. Subsequently, these features are given as input to the LSTM neural network so that it can learn the temporal dependencies between them. The results show that the proposed model has been able to distinguish normal and abnormal rhythms with high accuracy. This method can be used in medical applications and real-time monitoring of heart health. The proposed model is able to identify 19 arrhythmia classes with 97.33% accuracy using only 9 features and an LSTM model. While other methods using 60 features and more complex models have been less accurate.</p> <p>در این پژوهش، یک روش نوین برای تشخیص ناهنجاری در سیگنال&zwnj;های نوار قلب (ECG) ارائه شده است که مبتنی بر یادگیری عمیق و شبکه&zwnj;های عصبی حافظه&zwnj;ی کوتاه مدت ماندگار LSTM است. در این روش، ابتدا سیگنال&zwnj;های ECG دریافت شده از مجموعه&zwnj;داده MIT-BIH مورد پیش&zwnj;پردازش قرار گرفته&zwnj;اند. این پیش&zwnj;پردازش شامل حذف نویز، نرمال&zwnj;سازی و قطعه&zwnj;بندی سیگنال&zwnj;ها بوده است. سپس ویژگی&zwnj;های کلیدی از هر دوره فعالیت الکتریکی قلب مانند امواج P، Q، R، S، T و فواصل زمانی بین آن&zwnj;ها استخراج شده است. در ادامه، این ویژگی&zwnj;ها به&zwnj;عنوان ورودی به شبکه عصبی LSTM داده شده&zwnj;اند تا بتواند وابستگی&zwnj;های زمانی میان آن&zwnj;ها را یاد بگیرد. نتایج نشان می&zwnj;دهند که مدل پیشنهادی توانسته است با دقت بالا ریتم&zwnj;های نرمال و غیرنرمال را از یکدیگر تفکیک کند. این روش می&zwnj;تواند در کاربردهای پزشکی و پایش بلادرنگ سلامت قلب مورد استفاده قرار گیرد. مدل پیشنهادی ما با استفاده از تنها ۹ ویژگی و مدل LSTM، توانسته است 19 کلاس آریتمی را با دقت ۹۷.۳۳٪ شناسایی کند. این در حالی است که سایر روش&zwnj;ها با استفاده از ۶۰ ویژگی و مدل&zwnj;های پیچیده&zwnj;تر، دقت کمتری داشته&zwnj;اند.</p> http://ijece.org/fa/Article/Download/52877