مرکز منطقه ای اطلاع رسانی علوم و فناوری فصلنامه فناوری اطلاعات و ارتباطات ایران 2717-0411 68 68 2026 4 19 Automatic PAC and PVC Arrhythmia Detection in Single-Lead ECG Signals Using Specialized ResNet-Based Models تشخیص خودکار آریتمی‌های قلبی PAC و PVC در سیگنال ECG تک‌کاناله با استفاده از مدل‌های تخصصی مبتنی بر ResNet fa مهرشاد گلجاریان دانشگاه صنعتی شریف وانیا شایسته‌فر دانشگاه صنعتی شریف محمدمهدی معینی منش دانشگاه صنعتی شریف علی فتوت احمدی دانشگاه صنعتی شریف 2026 5 11 <p style="text-align: left;">This study presents a deep learning system for the simultaneous detection of two cardiac arrhythmias: Premature Ventricular Contractions (PVCs) and Premature Atrial Contractions (PACs). Our approach employs specialized ResNet-inspired 1D-CNN architectures, in which separate expert models are trained for the detection of each specific arrhythmia type. This ensemble-based strategy allows each network to learn distinctive features associated with its target class. The proposed system was trained on the iCentia11k dataset and evaluated on data collected from multiple databases. The data preprocessing pipeline includes heartbeat segmentation, resampling to a uniform frequency of 250 Hz, and Z-score normalization. To address class imbalance, a class-weighted loss function is employed. Our proposed model for PVC detection achieves a recall of 95.53% and an F1-score of 90.37% on the test set. The corresponding expert model for PAC detection achieves a recall of 98.00% and an F1-score of 90.13%. The overall accuracy of the proposed framework is reported as 96.11%.</p> <p>این پژوهش یک سیستم یادگیری عمیق برای تشخیص همزمان دو آریتمی قلبی انقباض زودرس بطنی (PVC) و انقباض زودرس دهلیزی (PAC) ارائه می&zwnj;دهد. رویکرد ما از معماری&zwnj;های تخصصی 1D-CNN الهام&zwnj;گرفته از ResNet بهره می&zwnj;برد، به طوری که مدل&zwnj;های متخصص جداگانه&zwnj;ای برای تشخیص هر نوع آریتمی خاص آموزش می&zwnj;بینند. این روش Ensemble به هر شبکه اجازه می&zwnj;دهد تا ویژگی&zwnj;های متمایز مربوط به کلاس هدف خود را یاد بگیرد. سیستم پیشنهادی بر روی پایگاه داده iCentia11k آموزش داده شده و بر روی داده&zwnj;های جمع&zwnj;آوری شده در چندین پایگاه داده ارزیابی شده است. سیر پیش&zwnj;پردازش داده شامل تقسیم&zwnj;بندی ضربان قلب، نمونه&zwnj;برداری مجدد در فرکانس یکنواخت 250 هرتز و نرمال&zwnj;سازی Z-Score می&zwnj;باشد. برای مقابله با عدم تعادل کلاس، یک تابع loss با وزن کلاسی اعمال می&zwnj;شود. مدل پیشنهادی ما برای تشخیص PVC به بازیابی (Recall) برابر با 95.53% و امتیاز F1 برابر با 90.37% در مجموعه آزمایشی دست می&zwnj;یابد. مدل متخصص متناظر برای PAC نیز به بازیابی برابر با 98.00% و امتیاز F1 برابر با 90.13% دست می&zwnj;یابد. صحت (Accuracy) این مدل برابر 96.11% گزارش می&zwnj;شود.</p> الکتروکاردیوگرام، یادگیری عمیق، آریتمی قلبی، شبکه عصبی کانولوشنی، ResNet، پایگاه داده iCentia11k، هولتر http://jour.aicti.ir/en/Article/Download/53559