بیماری‌های قلبی عروقی یکیاز علل اصلی مرگ و میر در جهان هستند و روش‌های تشخیصی سریع برای تعیین علائم پیش بالینی بسیار ارزشمند خواهند بود. در حالی که نوار قلب (ECG) ابزار اصلی غیرتهاجمی برای تشخیص آریتمی است، بسیاری از سیستم‌های تجزیه و تحلیل خودکار نوار قلب (ECG) صرفاً مبتنی بر الگوریتم‌های پردازش سیگنال تک‌بعدی هستند و بنابراین اغلب در تشخیص تغییرات مورفولوژیکی پیچیده شکست می‌خورند. کارهای قبلی اغلب فضای سیگنال و تصویر را تقسیم می‌کنند و استفاده ذاتی از مورفولوژی بصری توسط پزشکان را نادیده می‌گیرند. برای پر کردن این خلا، پایان‌نامه ارائه شده یک چارچوب دو دامنه جدید برای تشخیص کمپلکس QRS و طبقه‌بندی ضربان قلب پیشنهاد می‌کند. در قلب آن، این مشارکت یک جریان کاری ترکیبی است که معیارهای سنتی حوزه سیگنال را با ویژگی‌های مورفولوژیکی حوزه تصویر در یک چارچوب اعتبارسنجی بصری بین دامنه‌ای ترکیب می‌کند تا توجه را به پیش‌بینی‌های نامشخص جلب کند. این روش بر اساس داده‌های موجود تا اکتبر ???? است و از پایگاه داده آریتمی MIT-BIH استفاده می‌کند و ضربان قلب را به دو خوشه اصلی (کلاس‌های طبیعی و غیرطبیعی) به عنوان پایه‌ای که پس از خواندن چارچوب مقایسه‌گر استاندارد AAMI EC57 ایجاد شده است، جمع‌آوری می‌کند. سپس این بخش از سیگنال با استفاده از یک الگوریتم تشخیص QRS بهینه شده Pan-Tompkins به تصویر خاکستری تبدیل می‌شود تا هیستوگرام گرادیان‌های جهت‌دار (HOG) و توصیف‌گرهای هندسی استخراج شوند. ما یک استراتژی پارتیشن‌بندی داده را اتخاذ می‌کنیم که مستقل از بیماران مبتلا به DS1/DS2 است. ادغام اولیه ویژگی‌ها، مجموعه ویژگی‌های متفاوت را به هم متصل کرده و آن را به معماری پرسپترون چندلایه (MLP) ارسال می‌کند. این معماری، بردارهای ادغام شده با ابعاد بالا را به خروجی‌های دودویی نگاشت می‌کند و شامل ???، ?? و ?? واحد پنهان متراکم با بهینه‌ساز Adam است. بخش تشخیص QRS حساسیت بسیار خوبی (99.90?)، پیش‌بینی مثبت 98.99? و مقدار نرخ خطای تنها 1.12? را به دست آورد. نتایج: مدل سیگنال-تنها با دقت 78.41? از مطالعه فرسایش طبقه‌بندی بهتر عمل کرد. نکته قابل توجه این است که مدل ترکیبی ترکیبی به دقت ??.??? دست یافت، اما در معیارهای مهم با حساسیت ??.??? برای ضربان‌های غیرطبیعی، امتیاز F1 برابر با ??.??? و AUC برابر با ?.????، عملکرد فوق‌العاده‌ای داشت. از نظر عددی، مدل ترکیبی دقت کلی کمتری نسبت به مدل فقط سیگنال دارد؛ این امر در درجه اول به دلیل جریمه سنگین در مثبت کاذب برای کلاس‌های به شدت نامتعادل است، با این حال از جنبه بیولوژیکی این بده بستان از نظر علمی توجیه‌پذیر است. برای یک مورد استفاده بالینی، تشخیص ضربان‌های نابجای بحرانی در کار تشخیص آریتمی به امتیاز بالایی برای حساسیت، امتیاز F1 و AUC بر اساس بهینه‌سازی مدل اختصاصی نسبت به استفاده از دقت خام (برای طبقه‌بندی سیگنال) به تنهایی رسید. نتیجه‌گیری: این پایان‌نامه نشان می‌دهد که ترکیب ویژگی‌های دو دامنه‌ای مبتنی بر اعتبارسنجی بصری می‌تواند یک الگوی قوی‌تر و از نظر بالینی مرتبط‌تر برای تشخیص ECG غیرطبیعی در مقایسه با رویکردهای تک دامنه‌ای باشد، زیرا معیارهای حساسیت و قابلیت اطمینان بهبود یافته‌ای را نسبت به تشخیص خودکار ارائه می‌دهد. واژه‌های کلیدی: الکتروکاردیوگرام (ECG)، تشخیص QRS، ترکیب ویژگی، اعتبارسنجی بصری، طبقه‌بندی آریتمی، شبکه‌های عصبی مصنوعی.