I nd o ne s ia n J o urna l o f   E lect rica l En g ineering   a nd   Co m pu t er   Science   Vo l.   38 ,   No . 2 Ma y   20 25 ,   p p .   1 086 ~1 0 9 7   I SS N:  2 502 - 4 7 52 ,   DOI 1 0 . 1 1 5 9 1 /ijee cs .v 38. i 2 . p p 1 0 8 6 - 1 0 9 7     1086     J o ur na l ho m ep a g e h ttp : //ij ee cs . ia esco r e. co m   A hybrid l ea rning  mo del t o  d etec c a rdio v a scula r disea se from  elect ro ca rdio g ra m       G.   V.   Ra j y a   L a k s hm i 1 S.   K r is hn a   Ra o 2 K.   Venk a t a   Ra o 1   1 D e p a r t me n t   o f   C o m p u t e r   S c i e n c e   a n d   S y st e ms E n g i n e e r i n g ,   A n d h r a   U n i v e r si t y ,   V i sa k h a p a t n a m,  I n d i a   2 D e p a r t me n t   o f   C o m p u t e r   S c i e n c e   a n d   E n g i n e e r i n g ,   S i r   C . R .   R e d d y   C o l l e g e   o f   En g i n e e r i n g ,   El u r u ,   I n d i a       Art icle  I nfo     AB S T RAC T   A r ticle  his to r y:   R ec eiv ed   Ap r   1 1 ,   2 0 2 4   R ev is ed   No v   5 2 0 2 4   Acc ep ted   No v   11 ,   2 0 2 4       Ca rd io v a sc u lar  d ise a se (CVD s)  c o n ti n u e   to   b e   th e   wo rld m o st  s ig n ifi c a n t   c a u se   o m o r b i d it y   a n d   m o r talit y .   Th is   p a p e r   in t ro d u c e a   u n i q u e   h y b ri d   lea rn in g   m o d e fo CVD   d e tec ti o n   u sin g   a d v a n c e d   d e e p   lea rn in g   (DL )   m e th o d s.  T h e   p ro p o se d   m e th o d   c o m b in e th e   p o ten fe a tu re   e x trac ti o n   p o we rs  o f   t h e   Eff icie n tNe p re - tra in e d   m o d e l   with   a tt e n ti o n   m e c h a n ism a n d   g ra p h   c o n v o l u ti o n a n e tw o rk (G CNs fo imp ro v e d   p e rfo rm a n c e .   F irst,   ric h   re p re se n tatio n fro m   c a rd io v a sc u lar  e lec tro c a rd io g ra m   ( ECG )   d a ta  e x trac u sin g   t h e   Eff icie n tNe a rc h i tec tu re   a a   fe a tu re   e x trac to r .   Us in g   a   larg e   d a tas e o c a rd i o v a sc u lar   ECG   ima g e s,  y o u   c a n   fin e - t u n e   th e   p re - train e d   Eff icie n tNe m o d e l   with   P i p e li n e   to   m a k e   it   m o re   su it a b le  f o d ise a se   id e n ti fica ti o n .   I n c lu d in g   a tt e n ti o n   tec h n iq u e th a a ll o th e   n e two r k   to   f o c u s   o n   in f o rm a ti v e   re g i o n s   wi th i n   th e   in p u t ,   ECG   ima g e e n h a n c e d   th e   m o d e l d isc rimin a ti v e   c a p a c it y .   T h e   m o d e c a n   a tt e n d   to   th e   sa li e n t   a re a se lec ti v e ly   li n k e d   wit h   CVD   p a t h   p h y sio l o g y   t h ro u g h   d y n a m ic  a tt e n t io n   p r o c e ss e s.   M o re   a c c u ra te  p re d ictio n re su lt   fro m   th is  a tt e n ti o n - b a se d   r e fin in g ,   stre n g th e n in g   t h e   m o d e l a b il it y   to   id e n t ify   sig n ifi c a n p a tt e rn s u g g e sti v e   o c a rd i o v a sc u lar   p r o b lem s.  G CN  a ims   to   li n k   t h e   n a t u ra s tru c tu re   i n   c a rd io v a sc u lar  d a ta.  It   c a n   e ffi c ien tl y   c a p t u re   c o m p lex   in tera c ti o n s   a n d   d e p e n d e n c ies   a m o n g   v a rio u s   d a ta  p iec e b y   e x p re ss in g   m e d ica d a ta  a s   g ra p h s,   wh e re   n o d e c o rre sp o n d   to   ima g e   re g io n s,  a n d   e d g e imp ly   sp a ti a l   c o n n e c ti o n s.  C o m b i n in g   G CN  in t o   t h e   p r o p o se d   h y b rid   lea rn in g   a r c h it e c tu re   fa c il it a tes   e x trac ti n g   c o n tex tu a l   i n fo rm a ti o n   fr o m   l o c a a n d   g lo b a so u rc e s,   a u g m e n ti n g   t h e   m o d e l s a c c u ra c y .   K ey w o r d s :   C ar d io   v ascu lar   d is ea s es   Dee p   lear n in g   E f f icien tNet   Gr ap h   co n v o lu tio n al  n etwo r k s   T r an s f er   lear n i n g   T h is i a n   o p e n   a c c e ss   a rticle   u n d e r th e   CC B Y - SA   li c e n se .     C o r r e s p o nd ing   A uth o r :   G.   V.   R ajy L ak s h m i   Dep ar tm en t o f   C o m p u ter   Scie n ce   an d   Sy s tem s   E n g i n ee r in g ,   An d h r U n iv er s ity   Vis ak h ap atn am ,   I n d ia   E m ail g v r lax m i@ g m ail. co m       1.   I NT RO D UCT I O N   An   elec tr o ca r d io g r am   ( E C G)   is   s ig n al - b ased   m eth o d   th at  d etec ts   h ea r d is ea s in   its   ea r ly   s tag es.  E C p lay s   m ajo r   r o le  in   ca r d io v ascu lar   d is ea s ( C VD )   an d   p r ed icts   th ab n o r m alities   p r esen in   th p atien t s   E C s am p le.   No wad ay s ,   s u d d e n   h ea r attac k s   ca u s s u d d en   d ea th s ,   s o   it  is   v e r y   im p o r tan to   f in d   ab n o r m alities   in   th h u m a n   h ea r b ased   o n   elec tr ical  ac tiv ity   u s in g   elec tr o ca r d io g r ap h y   [ 1 ] .   C o n v e r tin g   th e   E C s ig n als  to   im ag es  b ec o m es  m o r co m p le x   to   f i n d   th C VD  in   th ea r ly   s tag es.  T h er ar m an y   r ea s o n s   f o r   h ea r t   f ailu r e,   s u ch   as  co r o n ar y   ar te r y   d is ea s e,   b lo o d   v ess el  d is o r d er s ,   an d   ar r h y th m ias.  E ar ly   d etec tio n   a n d   d iag n o s is   o f   C VD  is   v e r y   cr u cial  task   b ec a u s o f   u n p r ed ic tab le  h ea r t   attac k s .   T h e   E C i m ag es  ca p tu r e   th e   elec tr ical  ac tiv ities   p r o d u ce d   b y   h ea r tb ea ts   [ 2 ] .   E x p er ts   ca n   d etec h ea r ab n o r m ali ties   f r o m   th e   in p u t   E C G   s ig n als  b ased   o n   h ea r tb ea ts ,   v ein   b lo ck ag es,  an d   ca r d iac   d is o r d er s   [ 3 ] .   Acc o r d i n g   to   th W o r ld   Hea lth   Evaluation Warning : The document was created with Spire.PDF for Python.
I n d o n esian   J   E lec  E n g   &   C o m p   Sci   I SS N:   2 5 0 2 - 4 7 52       A   h yb r id   lea r n in g   mo d el  to   d e tect  ca r d io va s cu la r   d is ea s fr o elec tr o ca r d io g r a ( G.   V .   R a jya   La ksh mi )   1087   Or g an izatio n   ( W HO) ,   m an y   p eo p le  s u f f er   f r o m   u n p r e d ictab le  C VD.   T h er ar m an y   ty p es  o f   d iag n o s is   s y s tem s   av ailab le  f o r   d etec tin g   h ea r d is o r d e r s .   Am o n g   th es e,   m ed ical  im ag an aly s is   p lay s   s ig n if ican r o le.   I n   m e d ical  im ag e   an al y s is ,   E C in ter p r etatio n   p lay s   a   v ital   r o le   in   f in d in g   a b n o r m alities   in   th e   h u m an   h ea r t.  C o m b in in g   im ag p r o ce s s in g   te ch n iq u es  with   m ac h in lear n in g   ( ML )   o r   DL   m o d els  im p r o v ed   th d etec tio n   an d   class if icatio n   o f   h ea r d is ea s es.  T h p r ep r o ce s s in g   m et h o d s   ar u s ed   to   r em o v th n o is f r o m   th i n p u t   im ag es  an d   p r o v id e   a   p r e cise  im ag an al y s is ,   wh ich   h elp s   g iv t h s tatu s   o f   th E C im ag es.    T h p r e p r o ce s s in g   s tep   im p r o v es  th q u ality   o f   th im a g es  an d   s h o ws  th ac c u r ate  n o r m al  an d   ab n o r m al   s p ik es  in   th g iv en   E C im ag es.  T h E C s ig n al  s am p les  a r co n v er ted   f r o m   s ig n als  to   E C im ag es  to   f in d   th ac cu r ate   ab n o r m al   r eg i o n s   in   t h e   in p u im ag es   [ 4 ] ,   [ 5 ] .   Fig u r e   1   s h o ws  th e   s am p le  E C s ig n al  im ag e.     I n   r ec e n t   y ea r s ,   th e   d e v elo p m en o f   DL ,   b r an c h   o f   M L   an d   ar tific ial  in tellig en ce   ( AI ) ,   h as   r aised   f r esh   h o p es f o r   tr a n s f o r m in g   h ea lth ca r p r o ce d u r es,  esp ec ially   in   C VD  id en tific atio n .   Dee p   lear n in g   ( DL )   m eth o d s ,   m o d elled   af ter   th h u m a n   b r ain s   n eu r al  n etwo r k s ,   c an   a n aly ze   lar g v o lu m es  o f   d at v er y   q u ick ly   a n d   ac cu r ately ,   p r o v id in g   p r e v io u s ly   u n h ea r d - o f   in s ig h ts   in t o   i n tr icate   m ed ical  is s u es  [ 5 ] .   T h p r im a r y   f o cu s   o f   th is   p ap er   was  th d ev elo p m en o f   E C im ag e - b ased   ca r d io v ascu lar   illn e s s   d etec tio n   an d   d ia g n o s is .   R esear ch er s   an d   m e d ical  p r ac titi o n er s   ca n   in v esti g ate  n o v el  m eth o d s   f o r   ea r ly   d iag n o s is ,   r i s k   ass ess m en t,  an d   in d iv id u alize d   th er a p y   p lan s   f o r   p atien ts   with   C VDs  b y   u tili zin g   DL   alg o r ith m s   [ 6 ] ,   [ 7 ] .   A n   e x ten s iv an aly s is   o f   cu r r en t   d ev elo p m en ts ,   o b s tacle s ,   an d   p o ten tial  o p p o r tu n ities ,   th is   s tu d y   s ee k s   to   clar if y   th e   r ev o lu tio n a r y   p o ten tial o f   DL   in   ad d r ess in g   th w o r ld wid b u r d en   o f   ca r d io v ascu lar   illn ess es   [ 8 ] .           Fig u r 1 .   E C s am p le  im ag f r o m   d ataset       T h o u g h   m an y   ap p r o ac h es   h a v b ee n   d ev elo p e d   f o r   C VD  d etec tio n   u s in g   E C im ag es,   p r e d ictin g   C VD  ea r ly   o n   b ec o m es  m o r e   co m p le x   f o r   E C s ig n als   as  s h o wn   in   Fig u r e   1 .   C o n v er tin g   th e   E C s ig n als   in to   th im ag b ec o m es  m o r e   co m p licated   wh en   tr an s latin g   th em   with   ac cu r ate  p atter n s .   I d en tify in g   s lig h an o m alies  in   th wav ef o r m   th at  m ay   o cc u r   f r o m   m ild   v ar iat io n s   is   ted io u s .   E C s ig n als  ar ea s ily   em b ed d ed   with   n o is e,   s u ch   as  b aseli n wan d e r ,   p o wer lin e   in ter f er en ce ,   an d   m o tio n   ar tifa c ts ,   wh ich   im p o s im p er ce p tib le  in f lu e n ce   o n   t h E C im ag q u ality   th at,   in   tu r n ,   af f ec ts   d etec tio n   alg o r ith m   ef f icien c y .   Alth o u g h   th ap p licatio n   o f   DL ,   esp ec ially   co n v o lu tio n al  n e u r al  n etwo r k s   ( C NNs ) ,   en ab les au to m ated   f ea tu r e   ex tr ac tio n ,   it  is   o p en   to   d eb ate   wh eth er   h an d c r af ted   f ea tu r es  ( in clu d in g   R - R   in ter v als  an d   QR co m p lex es)  o r   m o r d ata - d r iv en   o n es  p r o v id s u p er io r   p er f o r m an ce .   T h f in d in g   is   th at  b alan ce   is   s tr ict  with   E C s ig n al  im ag es .   T o   o v er c o m th is ,   th e   p r o p o s ed   a p p r o ac h ,   g r ap h   co n v o lu tio n al  n etwo r k s   ( GC Ns ) ,   was  in tr o d u ce d   to   b alan ce   th is s u es in   ex is tin g   m o d els.   Key   f ac to r s   o f   t h is   w o r k     Dete ctin g   C VD  u s in g   E C is   v er y   d i f f icu lt b ec au s im a g es m ay   lo s q u ality   at  th tim o f   co n v er s io n .     E ar ly   p r e d ictio n   o f   C VD  h elp s   th ex p er ts   to   r ed u ce   t h d ea t h   r ate.     Ou r   r esear ch   h as  h ar n ess ed   th p o wer   o f   a n   ef f ec tiv p r e - tr ain ed   m o d el,   E f f icie n tNet,   to   a cc u r ately   p r o ce s s   th in tr icate   p atter n s   with in   E C im ag es.  T h is   tec h n o lo g ical  a d v an ce m e n is   s ig n if ican s tep   f o r war d   i n   o u r   q u est to   d etec C VD  ea r ly .     E f f ec tiv p r e - p r o ce s s in g   tech n iq u es  co m b in e d   with   v ar io u s   n o is f ilter s ,   s u ch   as  th e   Sav itzk y - Go lay   f ilter in g   ap p r o ac h   a n d   R - p ea k s   in   E C im ag co v ar ian ce   p r ed ictio n .   Evaluation Warning : The document was created with Spire.PDF for Python.
      I SS N 2 5 0 2 - 4 7 52   I n d o n esian   J   E lec  E n g   &   C o m p   Sci ,   Vo l.  38 ,   No .   2 Ma y   20 25 :   1 0 8 6 - 1 0 9 7   1088     Ou r   r esear ch   h as  d ev elo p ed   a   r o b u s Pip elin th at   ef f icien tl y   tr an s f er s   th tr ai n in g   p atter n s   to   th e   test in g   m o d el,   k n o wn   as  th e   GC w it h   atten tio n   m o d el   as  s h o wn   i n   Fig u r 2 .   T h is   p r o ce s s   is   k e y   co m p o n en i n   o u r   ea r l y   p r e d ictio n   o f   C VD.     T h atten tio n   m ec h an is m   h e lp s   im p r o v t h ea r ly   p r ed i ctio n   o f   C VD,   wh ich   s ig n i f ican tly   im p ac ts   o u tco m es.   T h o r g an izatio n   o f   wo r k   is   a s   f o llo ws:   s ec tio n   2   liter atu r s u r v ey   o f   v ar io u s   e x is tin g   m o d els  with   r esear ch   g ap s   an d   its   p er f o r m an ce s .   Sectio n   3   d is cu s s ed   ab o u th m eth o d o l o g y   o f   th is   w o r k   b y   ex p lain in g   th p r e - tr ain ed   m o d el,   p r e - p r o ce s s in g   tech n i q u es,  a n d   a tten tio n   m ec h an is m s .   Sectio n   4   th e   p r o p o s ed   ap p r o ac h   GC with   atten tio n   m o d el .   Sectio n   5   r esu lts   an d   d is cu s s io n s   ex p lain ed   th ex is tin g   m o d e l   p er f o r m an ce s ,   p r e - tr ain ed   m o d el s   p er f o r m an ce s   an d   p r o p o s ed   m o d el s   p er f o r m a n ce s .   Sectio n   6   co n clu s io n   an d   f u t u r wo r k .           Fig u r 2 .   S y s tem   a r c h itectu r e       2.   L I T E R AT U RE   SU RVE Y   L u   et  a l.   [ 9 ]   p r o p o s ed   n ew  m o d el  th at  p r ed icts   C V D   with   an   ac cu r ate  d is ea s e   r ate.   T h e   r ec o n s tr u ctio n   er r o r   is   u s ed   f o r   th d ep th   o f   th n etwo r k   an d   s p ec if ies  th tr ain in g   an d   ad v an ce d   o p tim iza tio n   is   co m b in ed .   T h p r o p o s ed   ap p r o ac h   m ain tain s   s tab le  o u tco m es  f o r   th e   two   d atasets .   Fo r   t h f ir s d ataset,   th e   ac cu r ac y   is   9 1 . 2 6 an d   8 9 . 7 8 %,  r esp ec tiv ely .   J in   et  a l.   [ 1 0 ]   p r o p o s ed   m o d el  th at  p r ed icts   h ea r f ailu r e   b ased   o n   th e   p atien ts   h ea lth   co n d itio n s .   I n   t h is   wo r k ,   th e   o n e - h o en c o d in g   co m b in ed   with   wo r d   v ec to r s   is   u s ed   to   d ia g n o s h ea r f ailu r es  u tili zin g   th d e f au lt  f ac to r s   o f   an   l o n g - s h o r ter m   m o d el  ( L STM )   m o d el.   R esu lts   s h o th at  th p r o p o s ed   ap p r o ac h   is   h ig h ly   ac cu r ate  b ased   o n   th h ea r f ailu r r is k s .   Hab ib   et   a l.   [ 1 1 ]   in tr o d u ce d   n ew  m o d el  th at  p r ed icts   h ea r f ailu r es  an d   r ec o m m en d s   ac cu r ate  m ed icin es   to   p atien ts ,   wh ich   h elp s   in   m ak i n g   b etter   d ec is io n - m ak i n g .   T h p r o p o s ed   ap p r o ac h   also   f in d s   th r elatio n s h ip s   am o n g   s ev er al   m ed ical  d ata  an d   an aly ze s   h e ar f ailu r es  in   th ea r ly   s tag es.  T h co m p ar is o n   b etwe en   v a r io u s   m o d els  s h o ws   th d etec tio n   o f   h ea r f ailu r es  with   m ed icin r ec o m m en d atio n s .   Ho s s ain et  a l.   [ 1 2 ]   d is cu s s ed   v ar io u s   AI - b ased   m o d els  ap p lied   to   h ea r d is ea s p r ed ictio n .     T h attr ib u tes  th at   h elp   th em   f in d   th e   ac cu r ate  f ea tu r es  u s in g   th e   co r r elatio n - b ased   f ea tu r s u b s et  s elec tio n   te ch n iq u with   b est  f ir s s ea r c h .   Fro m   th c o m p a r is o n ,   it  is   id en tifie d   th at  th p r o p o s ed   m u ltil ay er   p er ce p tr o n   ( MLP )   o b tain s   9 0 . 1 2 ac cu r ac y   f o r   two   d atasets   th at  ar e   u s ed   f o r   h ea r d is ea s p r e d ictio n .   B izo p o u lo s   an d   Ko u ts o u r is   [ 1 3 ]   d is cu s s ed   s ev er al  DL   m o d els  th at  d etec h ea r d is ea s es  b ased   o n   th e   p atien h ea lth   d ata,   s ig n als,  an d   im ag e   ty p o f   d at a.   DL   alg o r ith m s   h av e   h ig h   a cc u r ac y   in   d eter m i n in g   ca r d io lo g y   ab n o r m alities .   Kir an y az   et  a l.   [ 1 4 ]   p r esen ted   th f ast  an d   r o b u s E C class if icatio n   an d   m o n ito r in g   s y s tem   th at  im p lem en ts   th C NN,   wh ich   u s e s   th tw o   s ig n if ican m ajo r   b lo ck s   u s in g   f ea tu r ex tr ac tio n   an d   class if icatio n   o f   E C G   s ig n als.  Fin ally ,   th p r o p o s ed   m o d el  o b tain ed   b etter   r esu lts .   Z h an g   et  a l.   [ 1 5 ]   in tr o d u ce d   a   n ew  m o d el  th at  u s es  s ig n al  p r o ce s s in g   to   ex tr ac co r r ec f ea tu r es  f r o m   in p u d ata.   W ap p ly   u n iq u wav elet  d o m ai n   m u ltire s o lu tio n - b ased   C NN  to   ex tr a ct  r el iab le  f ea tu r es  f r o m   Evaluation Warning : The document was created with Spire.PDF for Python.
I n d o n esian   J   E lec  E n g   &   C o m p   Sci   I SS N:   2 5 0 2 - 4 7 52       A   h yb r id   lea r n in g   mo d el  to   d e tect  ca r d io va s cu la r   d is ea s fr o elec tr o ca r d io g r a ( G.   V .   R a jya   La ksh mi )   1089   th in p u s am p le.   T h e   s eg m en tatio n   m o d el  is   a p p lied   to   t h o u tco m e   o f   f ea tu r e x tr ac tio n   o u tp u t   to   s eg m en t   th m o d el  with   b etter   s eg m e n tatio n   tech n iq u es.  Fin ally ,   t h 1 - D - C NN  au to m atica lly   ex tr ac ted   th in ter n al   h ier ar c h ical  f ea tu r es  an d   o b ta in ed   class if icatio n   ac cu r ac y   o f   9 4 . 3 %,  wh ich   is   h ig h   c o m p ar ed   with   o th er   m o d els.  Ali  et  a l.   [ 1 6 ]   p r o p o s ed   th s tack ed - b ased   SVM  m o d el  th at  ef f ec tiv ely   p r ed i cts  h ea r f ailu r es.    T h p r o p o s ed   ap p r o ac h   is   th e   co m b in ed   m o d el  th at   in teg r at es  th HGSA,   wh ich   is   m o r e   ca p ab le  o f   s h o win g   th p r ac tical  an al y s is   o f   h ea r t   f ailu r e.   T h e   p r o p o s ed   ap p r o ac h   o b tain s   a n   ac cu r ac y   o f   9 2 . 3 4 %,  wh ich   is   b etter   co m p ar ed   with   th o th er   s ix   m o d els.  Kh an   et  a l.   [ 1 7 ]   in tr o d u ce d   th m o d if ied   d ee p   co n v o lu tio n al  n eu r al  n etwo r k   ( MD C NN )   ap p r o ac h   th at  m o n ito r s   h ea r ab n o r m alities   f r o m   t h E C G   d ataset .   T h MD C NN   is   m ain ly   u s ed   to   class if y   th d at b elo n g in g   to   s en s o r   d ata,   w h ich   is   n o r m al  an d   a b n o r m al.   Fin ally ,   MD C NN ac cu r ac y   is   9 8 . 3 %,  wh ich   is   b etter   th an   o th e r   m o d els.   Kh an   et  a l.   [ 1 8 ]   p r o p o s ed   t h in teg r ated   elec tr o n ic  c o n t r o ce n tr e   ( I E C C ) ,   in teg r ated   with   th e     SHA - 5 1 2   alg o r ith m ,   en s u r in g   d ata  in teg r ity .   T h p r o p o s ed   ap p r o ac h   is   in teg r ated   with   an   ad v an ce d   s ec r et  k ey ,   en h an cin g   th s y s tem s   s ec u r ity .   T h co r r elatio n   v al u o f   th p r o p o s ed   ap p r o ac h   i s   0 . 0 4 5 ,   w h ich   is   n ea r er   to   ze r o th is   r e p r esen t s   th s tr en g th   o f   th p r o p o s ed   ap p r o ac h .   T h p r o p o s ed   I E C C   s h o ws  h ig h   p er f o r m an ce   co m p ar ed   with   R SA  an d   E C C   m o d els.  I s h a q   et  a l.   [ 1 9 ]   p r o p o s ed   m o d el  th at  f o cu s ed   o n   f in d in g   t h r ich   f ea t u r es  th at   ar m o r e f f ec tiv f o r   class if icatio n .   T h co m b in e d   ap p r o ac h   was  u s ed   to   class if y   th h ea r s am p les  an d   o b tain ed   a n   ac cu r ac y   o f   0 . 9 3 %.  Fit r iy an et  a l.   [ 2 0 ]   p r o p o s ed   th h ea p u m p   d esig n   m o d el  ( HPDM)   m o d e th at  co n s is ts   o f   Den s ity - b ased   s p atial  clu s ter in g   o f   ap p licatio n s   with   n o is ( DB SC AN ) ,   wh ich   r em o v es  th n o is r e g ar d in g   o u tlier s .   T h SMOT E - E NN  m ain ly   f o cu s ed   o n   tr ain i n g   th e   d is tr ib u ted   d ata  u s in g   XGBo o s to   p r ed ict  h ea r d is ea s e.   T h ex p er im en tal  r esu lts   s h o t h at  th two   d atasets   u s ed   f o r   e x p er im e n tal  an aly s is   h av an   ac cu r ac y   o f   9 5 . 9 % a n d   9 8 . 4 %.   Do r n ala  [ 2 1 ]   p r o p o s ed   m u lti - m o d el  clo u d   s er v ices  th at  o b t ain   ac cu r ate   o u tc o m es  o n   h ea l th ca r d ata   p er f o r m ed   in   th clo u d   p latf o r m .   I n   th is   co n tex t,  th p r o p o s ed   ap p r o ac h   is   ap p lied   to   clo u d   h ea lth ca r d ata.   W aq ar   et  a l.   [ 2 2 ]   p r o p o s ed   t h SMOT E   th at  d etec ts   ca r d iac   d is ea s es  u s in g   p atien h ea lth c ar d ata.   T h co s t - ef f ec tiv ap p r o ac h   p r e d icts   h ea r d is ea s es  in   th ea r ly   s tag es.  T h q u an titativ an aly s is   s h o ws  th at  th e   p r o p o s ed   ap p r o ac h   im p r o v e s   th h ig h   ac cu r ac y .   B ad er - El - Den   et  a l.   [ 2 3 ]   in tr o d u ce d   th en s em b le   class if icatio n   m o d el  th at  f i n d s   h ea r d is ea s es  b ased   o n   p atie n d ata.   T h p r o p o s ed   ap p r o a ch   is   th b iased   R F   m o d el  co m b in ed   with   KNN  to   f in d   th m alicio u s   in f o r m at io n   f r o m   th d ataset.   T h r es u lts   s h o th at  th p r o p o s ed   alg o r ith m   is   h ig h ly   a c cu r ate  co m p a r ed   with   o th er   m o d els.   R ath   et  a l.   [ 6 ]   p r o p o s ed   th e n s em b le  m o d el,   wh ich   is   co m b in atio n   o f   L STM   an d   GA m o d els.  T h ese  m o d els  we r ap p lied   t o   two   d atasets ,   MI T - B I an d   PTB - E C G.   Fo r   th e   f ir s d ata s et,   th ac cu r ac y   is   0 . 9 9 2 %,   an d   f o r   th s ec o n d   d a taset,  it  is   0 . 9 9 4 .   I s in   et   a l. [ 2 4 ]   d is cu s s ed   v ar i o u s   DL   alg o r ith m s   th at  d etec t   an d   class if y   ca r d iac  d is ea s es in   th ea r ly   s tag es.  T h d is ea s d ete ctio n   r ate  is   9 2 . 8 %,  wh ich   is   h ig h .   B ag h d ad et   a l.   [ 2 5 ]   p r o p o s ed   th a d v an ce d   a n d   n o v el  ap p r o ac h   th at   ef f ec tiv el y   f i n d s   th e   ac cu r ate   h ea r d is ea s es  b y   o b tain s   th ac cu r ac y   o f   9 0 . 3 4 an d   F1 - s co r o f   9 2 . 4 %.  Z ian et  a l.   [ 2 6 ]   p r o p o s ed   u s in g   FECG  to   d etec ab n o r m al  f et al  E C G.   T h p r o p o s ed   ap p r o ac h   co m b i n es  C NN  with   I C A,   SVD,   an d   NM F.     T h p r o p o s ed   ap p r o ac h   s h o ws   h ig h   p e r f o r m an ce   i n   r ea l - tim ap p licatio n s .   Z ian et   a l.   [ 2 7 ]   p r o p o s ed   n o v el   ap p r o ac h   th at   s o lv es  v a r io u s   i s s u es  in   f etal  E C f in d in g s .   Z ian et  a l.   [ 2 8 ]   in tr o d u ce d   t h tim e - s ca le - b ased   ap p r o ac h   th at  co m b i n ed   FECG  an d   ME C to   f in d   th SNR   an d   FR PD A.   Z ian et  a l.   [ 2 9 ]   p r o p o s ed   n o v el   ap p r o ac h   th at  co n s is ts   o f   SVD   an d   I C th at  im p r o v es th p e r f o r m a n ce .       3.   M E T H O D   3 . 1 .     P re - t ra ined m o del Eff ic ient Net   C NNs  with   th E f f icien tNet  ar ch itectu r ar well - k n o wn   f o r   th eir   ef f icac y   a n d   ef f icien cy   in   im ag ca teg o r izatio n   a p p licatio n s .   I ts   h ig h   p er f o r m an ce   an d   s ca lab ilit y   h av e   led   to   wid esp r ea d   ad o p tio n   in   v ar io u s   s ec to r s .   B a s ed   o n   E C p ictu r es  p r e - tr ain ed   f o r   ca r d io v ascu lar   d is o r d er s ,   E f f ic ien tNet  m ay   h elp     with   au to m ated   d iag n o s is   an d   r is k   ass e s s m en t.  Hea r f ai lu r e,   m y o ca r d ial  in f ar ctio n ,   an d   ar r h y th m ias  ca n   all   b d iag n o s ed   with   th h elp   o f   E C im ag es,  wh ich   p r o v id es  r eq u ir ed   d ata  r eg ar d in g   elec tr ic  ac tiv ities     o f   th h ea r t.   R esear ch er s   an d   p h y s ician s   c an   p r o f it  f r o m   th f ea t u r es  g ai n ed   f r o m   lar g e - s ca le  p ictu r d atasets   b y   u tili zin g   p r e - tr ain ed   m o d els  lik E f f icien tNet.   T h is   ca n   ass is in   en h an cin g   th e   ac cu r ac y   a n d   d ep en d ab ilit y   o f   au to m ated   E C in ter p r etatio n .   T h eq u ip m e n r eq u ir em e n t s   ar co n s tan tly   r is in g   b ec au s o f   th in cr ea s in g   r eso lu tio n   o f   th in p u im ag e .   I n   th is   in s tan ce ,   th E f f icien tNet - B 0   n etwo r k   was  ch o s en   a s   th clas s if icatio n   m o d el  b ased   o n   th f ea tu r es  f o u n d   i n   th 2 im ag es  o f   th ca r d iac  s lices  an d   th h ar d w ar ca p ab ilit ies  o f   th av ailab le  ap p ar atu s .   n etwo r k   in p u im ag r eso lu tio n   o f   2 2 4 × 2 2 4   is   n ee d ed   f o r   E f f icien tNet - B 0 .   T h e   r eq u ir em e n ts   ar s atis f ied   w h en   th wav ef o r m   im ag e   is   co n v er ted   to   an   im ag wit h   r eso lu tio n   o f     2 2 4   ×2 2 4 . T h p r im a r y   o b jec tiv o f   th E f f icien tNet  was  co m p o u n d   s ca lin g   tech n i q u th at  s ca les  th n etwo r k   ep t h ,   wid th ,   a n d   r eso lu tio n   f o r   th E C im ag es  eq u ally .   Fig u r 3   ex p lain s   th o v er all  lay er s   p r esen in   th E f f icien tNet  m o d el  th at  tr ain s   o n   f in d in g   th e   p atter n s   i n   th E C im ag es.   Evaluation Warning : The document was created with Spire.PDF for Python.
      I SS N 2 5 0 2 - 4 7 52   I n d o n esian   J   E lec  E n g   &   C o m p   Sci ,   Vo l.  38 ,   No .   2 Ma y   20 25 :   1 0 8 6 - 1 0 9 7   1090       Fig u r 3 .   E f f icien tNE T   ar ch ite ctu r d iag r a m       De p th : d = α   ( 1 )     W id th : w = β   ( 2 )     R e s ol ution : r = γ   ( 3 )     d   is   th n etwo r k   d ep th   ( n u m b er   o f   lay er s ) .   w   is   th wid th   m u ltip lier .   r   is   th r eso lu tio n   m u ltip lier .   , β , a n d   γ   ar h y p er   p a r am eter s   th at  co n tr o l h o m u ch   to   s ca le  th d ep th ,   wid th ,   an d   r eso lu tio n   r esp e ctiv ely .   is   a   co mp o u n d   co efficien t th a t c o n tr o ls   o ve r a ll mo d el  s iz e.     3 . 2 .     P re - pro ce s s ing   t ec hn iq ues   E CG   im a g es   3 . 2 . 1 .   Sa v it z k y - g o la y   f ilte ring   a pp ro a ch   E C s ig n als  ar o n o f   th b asic  ca r d io lo g y   test s   r o u tin ely   p er f o r m ed   to   d etec h ea r t   p r o b lem s ,   b u t   we  s o m etim es  f ac s ev er al  ch allen g es  d u to   n o is an d   ar tifa cts.  T h p u r p o s o f   th ese  m eth o d s   is   to   im p r o v s ig n al  q u alit y   b y   f ilter in g   o u n o is e,   ar tifa cts,  an d   in ter f er en ce s   at  th s am tim th at  it  r etain s   r elev an f ea tu r es,  allo win g   f o r   co r r ec d iag n o s is   o r   an aly s es.  E C im ag es  ar u s u ally   g e n er ated   f r o m   E C s ig n als  f o r   v is u aliza tio n   an d   an aly s is in   t h is   r eg ar d ,   f ilter i n g   tech n iq u es   o p tim ize  im a g q u ality ,   en h a n cin g   clar ity   wh ile   m in im izin g   d is to r tio n s .   A n   o u tlin o f   E C an aly s is   to   d iag n o s d if f er e n h ea r t   d is ea s es  is   g iv en   in   s ec tio n   3   b ased   o n   th e   im p o r tan ce   o f   f i lter in g   tech n iq u es  as  a   ty p e   o f   im ag e   p r o ce s s in g   f o r   s i g n al   p r o ce s s in g   th at   h as  b ee n   u s u ally   ap p lied   in   p r e v io u s   y ea r s .   I m ay   ad d r ess   th is s u es  o f   n o is an d   ar tifa cts  in   E C s ig n als  o r   im ag es  th at  ca n   co r r u p im p o r tan in f o r m atio n   an d   d ec r ea s th r eliab ilit y   o f   d iag n o s tic  in ter p r etatio n s .   T h er e   m ay   b th s am in tr o d u ctio n   o f   p r e p r o ce s s in g   s tep s   lead in g   to   n ec ess ity   f o r   ex ten s iv f ilter in g   as  well  s in ce   th ese  ar e   p r er e q u is ites   en h a n cin g   th e   r eliab ilit y   o f   E C G - b ased   d ia g n o s tic  s y s tem s .   T h e   f ilter in g   tech n iq u es  in   E C im ag p r o ce s s in g   p av th e   way   to war d s   ex p lain in g   d if f er en m eth o d s   an d   m eth o d o l o g ies   im p lem en ted   f o r   im p r o v in g   th q u ality   o f   E C im ag es  to   g et  ac cu r ate  an aly s is   an d   d iag n o s is .   I em p h asizes   th n ec ess ity   o f   f ilter in g   as  p r ep r o ce s s in g   s tep   an d   s ets  th to n f o r   f u r th er   d is cu s s io n   o n   d if f er en ty p es  o f   f ilter s   an d   th eir   ap p licatio n s   in   E C s ig n al  p r o ce s s in g .   T h is   p ap er   ap p lied   t h Sav itzk y - Go lay   Fil ter in g   m eth o d   to   elim in ate  n o is with in   E C im ag es.  v al u ab le  tech n iq u i n   s m o o th in g   d ata  is   f itti n g   p o ly n o m ial  to   th s m all  s u b s ets o f   v alu es.   Evaluation Warning : The document was created with Spire.PDF for Python.
I n d o n esian   J   E lec  E n g   &   C o m p   Sci   I SS N:   2 5 0 2 - 4 7 52       A   h yb r id   lea r n in g   mo d el  to   d e tect  ca r d io va s cu la r   d is ea s fr o elec tr o ca r d io g r a ( G.   V .   R a jya   La ksh mi )   1091   Th Sav itzk y - Go la y   f ilter   co ef f icien ts   ca n   b ca lcu lated   u s in g   th f o llo win g   eq u atio n s :   Fo r   ca lcu latin g   th s m o o th in g   co ef f icien ts :     A = X ( X T X ) 1 C         ( 4 )     is   a   m atr ix   co n tain in g   th p o wer s   o f   th in teg er   s eq u en ce   f r o m   - (N - 1 ) /2   to   ( N - 1 ) / 2 ,   wh e r is   th win d o s ize.   C   is   th d if f er en tiatio n   m atr ix ,   wh ich   d ep e n d s   o n   th d esire d   d er iv ativ o r d er   a n d   th e   p o ly n o m ial  o r d er .   Fo r   ca lcu latin g   th d if f er e n tiatio n   co ef f icien ts :     B = ( X T X ) 1 X T D   ( 5 )     is   m atr ix   co n tain in g   th p o wer s   o f   th in teg er   s eq u en ce   f r o m   - (N - 1 ) /2   to   ( N - 1 ) /2 ,   r aised   to   th d esire d   d er iv ativ o r d er .   On ce   y o u   h a v o b tai n ed   th co ef f icien ts   ( f o r   s m o o th in g   an d   B   f o r   d if f er en tiatio n ) ,   y o u   ca n   p e r f o r m   th e   co n v o l u tio n   o p er atio n   u s in g   th ese  co ef f icien ts   an d   th i n p u s ig n al  to   o b tain   th e   f ilter ed   s ig n al.     3 . 2 . 2 .   Det ec t ing   R - pea k s   in E CG   im a g es   Dete ctin g   R - p ea k s   in   E C G   s ig n als  i s   f u n d am en tal  task   in   b io m ed ical  s ig n al  p r o ce s s in g ,   p ar ticu lar ly   in   an aly zin g   ca r d iac  ac tiv ity .   T h e   E C wav ef o r m s   g r ea test   p ea k ,   k n o wn   as  t h R - p ea k ,   d en o tes   th d ep o lar izatio n   o f   th e   h ea r t s   v en tr icles.   Acc u r ate  d etec t io n   o f   R - p ea k s   is   cr u cial  f o r   d iag n o s in g   v ar io u s   ca r d iac  ab n o r m alities   an d   m o n ito r in g   h ea r t   h ea lth .   T h e   p r o ce s s   o f   R - p ea k   d etec tio n   in v o lv es  an aly zin g   th E C s ig n al  to   l o ca te  th e   p r o m in en p ea k s   co r r esp o n d in g   t o   th e   R - wav es.  T h is   is   ty p ica lly   ac h iev e d   u s i ng  s ig n al  p r o ce s s in g   tech n iq u es,   m ath em atica al g o r ith m s ,   an d   m ac h i n lear n in g   m eth o d s .   Var io u s   alg o r ith m s   h av b ee n   d ev el o p ed   o v er   t h e   y ea r s   t o   a u to m ate   th is   p r o ce s s ,   r an g in g   f r o m   s im p le   th r esh o ld - b ased   m eth o d s   to   m o r s o p h is ticated   ap p r o a ch es  in v o lv in g   w av elet  tr an s f o r m s ,   tem p late  m atch in g ,   an d   n eu r al  n etwo r k s .     T h im p o r tan c o f   ac cu r ate  R - p ea k   d etec tio n   ca n n o b o v e r s tated ,   as  it  f o r m s   th b asis   f o r   m an y   s u b s eq u en t   an aly s es,  s u ch   as  h ea r r ate  v ar iab ilit y   an aly s is ,   ar r h y t h m ia  d etec tio n ,   an d   ass ess in g   c ar d iac  f u n ctio n .   Mo r eo v er ,   with   th ad v en o f   wea r ab le  E C m o n ito r in g   d ev ices  an d   telem ed icin e,   au to m ated   R - p ea k   d etec tio n   alg o r ith m s   p lay   a   cr u cial  r o le   in   p r o v id in g   r ea l - tim f ee d b ac k   o n   h ea r t   h ea lth   an d   f ac ilit atin g   r em o te  p atien t m o n ito r in g .   Sev er al  al g o r ith m s   h a v b ee n   d ev el o p ed   f o r   th is   p u r p o s e,   a n d   m a n y   o f   th em   ar e   b ased   o n   s p ec if ic  m ath em atica eq u atio n s   o r   s ig n al  p r o ce s s in g   tech n iq u es.  O n co m m o n ly   u s ed   m eth o d   is   th Pan - T o m p k in s   alg o r ith m ,   wh ich   in v o lv es  s ev er al  s tep s   in clu d in g   b an d   p a s s   f ilter in g ,   d if f er en tiatio n ,   s q u ar in g ,   in teg r atio n ,   an d   th r esh o l d in g .   T h k e y   eq u atio n s   an d   s tep s   in v o lv e d   in   th Pan - T o m p k in s   alg o r ith m :     3 . 2 . 3 .   At t ent io m ec ha nis m   Hea r d is o r d er s   r ep r esen s u b s tan tial  g lo b al  ca u s o f   d ea th ,   an d   ef f ec tiv ca r an d   th av o id an ce   o f   u n f av o u r ab le   co n s eq u en ce s   d ep en d   h ea v ily   o n   ea r ly   d etec ti o n .   E C im ag i n g   is   a   f r e q u en tly   u s ed   d iag n o s tic   tech n iq u f o r   ev alu atin g   h ea r h ea lth   b y   m o n ito r in g   th e   elec tr ical  ac tiv ity   o f   th h ea r t.  T h atten tio n   m ec h an is m ,   in s p ir ed   b y   h o p eo p le  co n ce n tr at o n   p e r tin e n in f o r m atio n   wh e n   p r o ce s s in g   d ata,   is   p o ten s tr ateg y   in   th is   f ield .   B y   s el ec tiv ely   f o cu s in g   o n   s ig n if ican p o r tio n s   o f   th in p u d a ta  an d   d is m is s in g   u n n ec ess ar y   in f o r m atio n ,   t h atten tio n   m ec h a n is m   en a b les  th m o d el  to   p er f o r m   m o r ac cu r at an d   p r ac tical   an aly s is .   R esear ch er s   wan t o   im p r o v p atien o u tco m es  b y   im p r o v in g   ca r d iac  d is ea s id en tific atio n   an d   d iag n o s is   b y   a p p ly in g   atten tio n   p r o ce s s es  to   E C im ag an a ly s is .   T h is   r esear ch   d escr ib es  th u s o f   atten ti o n   m ec h an is m s   in itiated   b y   th e   GC to   d iag n o s h ea r d is ea s f r o m   E C im ag es.  T h at ten tio n   m ec h an is m   h elp s   n o v el  s tr ateg y   f o r   u s in g   atten tio n   p r o ce s s es  in   E C im ag p r o ce s s in g .   T h e   p r im a r y   g o al   o f   th is   wo r k   is   to   cr ea te  a u to m ated   AI   tech n o lo g ies  th at   will  en h an c th e   p r ec is io n   an d   e f f icac y   o f   h ea r d is ea s d etec tio n ,   th er eb y   h elp in g   b o th   p atien ts   an d   m ed ical  p r o f ess io n als.       4.   P RO P O SE M E T H O DO L O G Y:   G CN  WI T H   AT T E N SI O M O D E L   C VDs  ar m ajo r   g lo b al  ca u s o f   d ea th   a n d   p lace   h e av y   s tr ain   o n   h ea lth ca r s y s t em s .   E ar ly   d etec tio n   a n d   p r ec is e   d ia g n o s is   ar ess en tial  f o r   C VD  to   b m an ag e d   a n d   tr ea ted   ef f ec ti v ely .   DL   m eth o d s ,   p ar ticu lar ly   GC Ns,  to   an aly ze   E C d ata   to   ass is in   d iag n o s in g   an d   p r o g n o s is   ca r d io v ascu lar   d is o r d er s   h av e   g ain ed   p o p u la r ity   in   r ec en y e ar s .   B ec au s GC Ns  ar ty p o f   n eu r al  n etwo r k   th at  o n ly   wo r k s   with   g r ap h - s tr u ctu r ed   d ata,   th ey   ar well - s u ite d   f o r   task s   in v o lv in g   r elatio n s h ip s   an d   co r r elatio n s   b etwe en   th p o in ts   in   th d ata  ( lik r e p licatin g   co n d u ctiv ities   as  s ee n   in   E C r e ad in g s ) .   I n   th is   p ap er ,   we  ai m   to   in v esti g ate  th e   ef f icac y   o f   GC f o r   C VD   b a s ed   o n   E C im ag es.  E C s i g n als  ca n   b r ep r esen ted   as  g r ap h s in   o u r   s tu d y ,   n o d es  co r r esp o n d   to   t h d ata  p o in ts   o f   a n   E C s ig n al,   a n d   ed g es  r ep r esen tem p o r al  d e p en d en cies  b etwe en   Evaluation Warning : The document was created with Spire.PDF for Python.
      I SS N 2 5 0 2 - 4 7 52   I n d o n esian   J   E lec  E n g   &   C o m p   Sci ,   Vo l.  38 ,   No .   2 Ma y   20 25 :   1 0 8 6 - 1 0 9 7   1092   th ese  d ata  p o in ts ,   wh ic h   in d icate s   th at  GC Ns  ar s u itab le  m o d els  f o r   ex tr ac tin g   r elev a n f ea tu r es  ass o ciate d   with   ca r d iac  a r r h y t h m ia  d ete ctio n .   B elo ar e   th s tep s   t o   d etec a b n o r m al  co n d itio n s   o n   g i v en   s et  o f   im ag es.   Step   1 r ep r esen tatio n   o f   d ata     Su p p o s th at  is   th in p u f ea tu r m atr ix   f o r   E C im ag es,  with   ea ch   r o b ein g   s a m p le  an d   ea ch   co lu m n   f ea tu r e.     Ass u m th at  th ad jace n cy   m atr ix   B   illu s tr ate s   th lin k s   b e twee n   v ar io u s   E C s am p les.  I ca n   d ep ict  th tem p o r al  co r r elatio n s   b etwe en   E C s ig n als in   th is   s ce n ar io .   Step   2 : G C l ay er     T h eq u atio n   th at  f o llo ws  is   u s ed   to   ca lc u late  th e   o u tp u o f   s in g le   GC lay er   g iv en   t h in p u f ea t u r e   m atr ix   an d   a d jace n cy   m atr i x   B :     A ( l + 1 ) = σ ( D ̂ 1 2 X ̂ Y ̂ 1 2 A ( l ) W ( l ) )   ( 5 )     A ( l )     Featu r m atr ix   at  th la y er   l.   W ( l ) W eig h t m atr ix   o f   GC lay er .   A ̂ = A + I     Ad jace n cy   m atr ix   with   e x ten d ed   s elf - co n n ec tio n .   D ̂ is   th d eg r ee   m atr ix   o f   A ̂ .     r ep r esen ts   th ac tiv atio n   f u n ct io n   s u ch   as R eL U.   Step   3 f in al  lay er   a n d   p r ed icti o n   I n   th is   wo r k ,   t h class if icatio n   task s   ca n   b p er f o r m ed   u s in g   th e   o u t p u o f   t h f in al   G C lay er .     s ig m o id   ac tiv atio n   f u n ctio n   co u ld   b e   u s ed   f o r   b in a r y   ca teg o r izatio n   ( n o r m al  v s .   ab n o r m a l) :     Y = σ ( H ( L ) W ( L ) )   ( 6 )     th p r ed icted   o u tp u t,  H ( L )   is   th o u tp u o f   last   GC lay er ,   an d   W ( L )   is   th weig h t m atr ix .     Step   4 lo s s   f u n ctio n   T h cr o s s - en tr o p y   lo s s   f u n ctio n   is   u s ed   f o r   b in ar y   class if icati o n ,   an d   it is   r ep r esen ted   as:     = 1 N [ y i l og ( y ̂ i ) + ( 1 y i ) l og ( 1 y ̂ i ) ] N i = 1   ( 7 )     wh er is   th to tal  s am p les,  y i   is   th ac tu al  lab el,   y ̂ i   is   th p r ed icted   lab el.     Step   5 o p tim izatio n   Usi n g   g r ad ien t d escen t o r   its   v ar iatio n s ,   lik Ad am   o r   R MSp r o p ,   u p d ate  th e   GC N s   weig h ts :     W ( l )   W ( l ) W ( l )   ( 8 )       R ep r esen t th lear n in g   r ate.   Step   6 th f in al  s tep   I n   th f in al  s tep ,   all  th lay er s   ar ag g r eg ate d   in to   f in al  lay e r s   an d   p r ed ict  th r esu lt  ( class if icatio n )   b ased   o n   p atter n s   id en tifie d .       5.   RE SU L T S AN D I SCU SS I O NS   T h ex p e r im en tal  an al y s is   is   m ain ly   f o c u s ed   o n   d e v elo p in g   th p r o p o s ed   m o d el  u s in g   th Py th o n   lan g u ag with   ad v an c ed   lib r ar ies.  T h E C im ag d ataset  i s   p r o ce s s ed   b y   u s in g   1 6 GB   R A M,   an d   1 T B   h ar d   d r iv is   r eq u ir ed .   I n   th is   s ec tio n ,   th e   co m p ar is o n   b etwe en   v ar io u s   DL   alg o r ith m s   is   also   d is cu s s ed ,   an aly zin g   th p er f o r m a n ce   in   ter m s   o f   g iv en   p ar am eter s .   I n   th is   s ec tio n ,   th e   co m p ar is o n s   b etwe en   v ar io u s   alg o r ith m s   th at  ap p lied   o n   E C s ig n al  im ag es.  T h p er f o r m a n ce   m etr ic s   s h o ws th s tr en g th   o f   th e   p r o p o s ed   ap p r o ac h .     A c c ura c y ( ACC ) = TP + TN TP + FP + TN + FN       Pr e c ision ( Pr e ) = TP TP + FP       Se n s itivit y   ( S n ) = TP TP + FN     Evaluation Warning : The document was created with Spire.PDF for Python.
I n d o n esian   J   E lec  E n g   &   C o m p   Sci   I SS N:   2 5 0 2 - 4 7 52       A   h yb r id   lea r n in g   mo d el  to   d e tect  ca r d io va s cu la r   d is ea s fr o elec tr o ca r d io g r a ( G.   V .   R a jya   La ksh mi )   1093   Sp e c ifi c ity   ( S p ) = TN TN + FP       F1 Score = 2 ( Pr ecis i o n     Recal l ) ( Pr ecis i o n   +   Recal l )       Fig u r 4   s h o ws  th co u n v alu es  o f   th E C s am p les  o b tain ed   b y   Naïv B ay es  ( NB ) .   B ased   o n   p ast  k n o wled g e   o f   p o ten tial  ev en t - r elate d   co n d itio n s ,   NB   d escr i b es  th p r o b a b ilit y   o f   an   ev en t.  I ca lcu lates  ea ch   class s   lik elih o o d   b ased   o n   t h in p u t   f ea tu r es  a n d   s elec ts   th class   with   th m o s s ig n if ican p r o b ab ilit y Giv en   th class   lab el,   th e   NB   class if ier   ass u m es  th at  ev er y   f ea tu r is   in d ep e n d en t   o f   ev er y   o th er   f ea tu r e.   T h is   ass u m p tio n   f r eq u e n tly   n ee d s   to   b co r r ec ted   in   r ea l - wo r ld   d ata,   wh ich   co u ld   r esu lt  in   a   lo s s   o f   ac cu r ac y .   Fin ally ,   th NB   o b tain ed   th lo v alu es  f o r   p r ed ictin g   o u tc o m es.  Fig u r 5   s h o ws  th p er f o r m an ce   o b tain ed   b y   im p lem en tin g   th k - n ea r s t   n eig h b o r   ( KNN )   with   E C s am p le  im ag es.  Her e,   th T N   ac h iev ed   th h ig h   co u n v alu es  o f   4 1 1   an d   T ac h iev ed   th 3 2 5   c o u n v alu es.   FP   an d   FN   s h o ws  th lo v alu es.  T h ese  co u n v alu es  ar b ased   o n   o b tain ed   ac tu al  r esu lts .   Fig u r 6   d escr ib es  th p er f o r m an ce   o f   SVM   in   ter m s   o f   a ctu al   an d   p r ed icte d   v alu es.  T h T P,  FP ,   FN   s h o ws  th lo v a lu es  an d   T ac h iev ed   th h i g h   co u n v alu th at   o b tain s   th h ig h   ac cu r ac y .           Fig u r 4 .   C o u n v alu es o b tain ed   b y   u s in g   NB           Fig u r 5 .   C o u n v alu es o b tain ed   b y   u s in g   KNN       T ab le  1   in itializes  th p er f o r m an ce   o f   v a r io u s   ML   alg o r i th m s   th at  p e r f o r m   th e   class if icatio n   o f   n o r m al  ab n o r m al  im ag es.  T h ac cu r ac y   o f   SVM  is   0 . 8 9   wh ich   is   h ig h   co m p ar with   o th er   alg o r ith m s .     Fig u r 7   r e p r esen ts   th o v e r all  p er f o r m an ce   o f   ML   Alg o r ith m s .   T ab le  2   s h o ws  th co m p ar ati v p er f o r m a n ce   b ased   o n   th e   p r e - tr ai n ed   v alu es.  T h e   p er f o r m an ce   o f   E f f icien tNE T   ac h iev e d   th e   h ig h   v alu es  co m p ar with   o th er   e x is tin g   m o d els  VGG1 6   an d   R E SNET .     Hig h   p er f o r m an ce   in itializes  to   f in d   th ac cu r ate  p atter n s .   T h ese  tr ai n in g   p atter n s   h elp   th e   p r o p o s ed   ap p r o ac h   an d   in cr ea s th p er f o r m an ce   with   th ac cu r ac y   o f   0 . 9 8 % .   Evaluation Warning : The document was created with Spire.PDF for Python.
      I SS N 2 5 0 2 - 4 7 52   I n d o n esian   J   E lec  E n g   &   C o m p   Sci ,   Vo l.  38 ,   No .   2 Ma y   20 25 :   1 0 8 6 - 1 0 9 7   1094       Fig u r 6 .   C o u n v alu es o b tain ed   b y   u s in g   SVM       Fig u r 8   d escr ib es  th p er f o r m an ce   o f   s tate - of - ar alg o r ith m s   wh ich   s h o ws  th h ig h   i m p ac o n   test in g .   T h p er f o r m a n ce   o f   p r e - tr ain e d   m o d els  was  ap p lied   o n   tr ain in g   E C s i g n al  im ag es  d ata.     T h E f f icien tNE T   s h o ws  th h ig h   ac c u r ac y   o f   0 . 9 8 an d   v ice  v er s a.   I t   in d icate s   th o v er all  d etec tio n   r ate   is   h ig h   co m p ar e   with   e x is tin g   m o d els.       T ab le  1 .   L is t o f   a l g o r ith m s   th a t p er f o r m   th class if icatio n   b ased   o n   g iv e n   p ar am eter s   A l g o r i t h ms   A c c   Pre   Sn   Sp   F1 - s c o r e   N B   [ 2 9 ]   0 . 5 0   0 . 5 4   0 . 5 0   0 . 5 0   0 . 5 2   K N N   [ 2 9 ]   0 . 7 8   0 . 7 8   0 . 7 4   0 . 8 2   0 . 7 6   S V M   0 . 8 9   0 . 6 0   0 . 6 2   0 . 9 3   0 . 6 1     T ab le  2 .   L is t o f   a l g o r ith m s   th a t p er f o r m   th class if icatio n   b ased   o n   g iv e n   p ar am eter s   A l g o r i t h ms   A c c   Pre   Sn   Sp   F1 - s c o r e   V G G 1 6   0 . 6 9   0 . 7 0   0 . 7 4   0 . 6 1   0 . 6 2   R ESN ET   0 . 7 5   0 . 7 7   0 . 7 7   0 . 7 8   0 . 8 6   Ef f i c i e n t N ET   0 . 9 8   0 . 9 9   0 . 9 8   0 . 9 8   0 . 9 8                 Fig u r 7 .   T h p er f o r m a n ce   o f   ML   alg o r ith m s   o b tain ed   f r o m   t h co u n t v alu e s   o f   co n f u s io n   m atr ix   Fig u r 8 .   Per f o r m an c co m p ar is o n s   b etwe en   p re - tr ain ed   m o d els       Fig u r e   9   s h o ws  th co u n v alu es  o b tain ed   b y   u s in g   th ANN .   Her e,   th T v alu es  ar h ig h   with   3 8 1   a n d   L o v alu es  ar FN,  FP ,   an d   T N.   I f   th T P s   o b tain ed   h ig h   v alu es  th en   th m o d el  ac c u r ately   id en tifie s   a   s izab le  p er ce n tag o f   th p o s itiv o cc u r r e n ce s   in   th d atase t.  I is   u s u ally   d esira b le  r es u lt,  p ar ticu lar ly   i n   s itu atio n s   lik h ea r t d is ea s d iag n o s is ,   wh en   ac cu r ately   r ec o g n izin g   p o s itiv ca s es is   cr itic al.   Fig u r 1 0   s h o ws  th co u n v alu es  o f   C NN  wh ich   s h o ws  h ig h   f o r   T N s .   Hig h er   T Ns  r ep r esen th m o d el s   s p ec if icity     its   ca p a city   to   ac cu r ately   d etec n eg ativ ca s es  am o n g   all  ac tu al  n eg ativ in s tan ce s .     lo f alse  p o s itiv r ate  is   s h o wn   b y   h ig h   s p ec if icity ,   wh ich   m ea n s   th m o d el  is   less   lik ely   to   in ter p r et   n eg ativ ca s es  as  p o s itiv i n co r r ec tly .   Fig u r 1 1   s h o ws   th h ig h   T P s   co m p ar ed   with   o th er   ex is tin g   alg o r ith m s .   T h e   p r o p o s ed   GC o b tain ed   th e   ac cu r ac y   o f   0 . 8 6 wh ich   is   h ig h   co m p a r with   ex is tin g   m o d els   b u it  is   lo in   r ea tim s ce n ar io   s h o wn   in   T a b le  3 .   T h e   T P s   o f   th p r o p o s ed   a p p r o ac h   o b tain ed   th h ig h   v alu es  th en   o th er   FP ,   FN ,   an d   T N .   Fig u r 1 2   s h o ws  th q u a n titativ p er f o r m a n ce   o f   s ev er al  alg o r ith m s   u s ed   in   th is   p ap er .   Evaluation Warning : The document was created with Spire.PDF for Python.
I n d o n esian   J   E lec  E n g   &   C o m p   Sci   I SS N:   2 5 0 2 - 4 7 52       A   h yb r id   lea r n in g   mo d el  to   d e tect  ca r d io va s cu la r   d is ea s fr o elec tr o ca r d io g r a ( G.   V .   R a jya   La ksh mi )   1095           Fig u r 9 .   C o u n v alu es  o b tain ed   b y   u s in g   ANN   Fig u r 1 0 .   C o u n v alu es  o b tai n ed   b y   u s in g   C NN       T ab le  3 .   L is t o f   DL   a l g o r ith m s   th at  p er f o r m   th class if icatio n   b ased   o n   g iv en   p ar am eter s   A l g o r i t h ms   A c c   Pre   Sn   Sp   F1 - s c o r e   ANN   0 . 6 4   0 . 6 8   0 . 7 1   0 . 5 5   0 . 6 9   C N N   0 . 7 8   0 . 7 2   0 . 6 9   0 . 8 2   0 . 7 1   G C N   0 . 8 6   0 . 8 8   0 . 9 3   0 . 6 3   0 . 9 0               Fig u r 1 1 .   C o u n v alu es  o b tai n ed   b y   u s in g   GC N   Fig u r 1 2 .   Per f o r m a n ce   co m p ar is o n s   b etwe en   DL   m o d els       6.   CO NCLU SI O N   Dete ctin g   C VDs  f r o m   E C s ig n als  is   cr u cial  f o r   ea r ly   d ia g n o s is   an d   in ter v e n tio n .   I n   th is   s tu d y ,   a   h y b r id   lear n in g   m o d el  co m b in in g   atten tio n   m ec h an is m s   an d   GC N s   wa s   p r o p o s ed   f o r   th is   task .   T h r esu lts   o f   th s tu d y   d em o n s tr ate  th ef f e ctiv en ess   o f   th h y b r i d   lear n in g   m o d el  in   ac cu r ately   d etec tin g   C VDs f r o m   E C G   s ig n als.  T h m o d el  ca n   f o c u s   o n   r elev an p a r ts   o f   th E C s ig n al,   ca p tu r in g   im p o r tan p a tter n s   an d   f ea tu r es   in d icativ o f   ca r d io v ascu lar   ab n o r m alities .   Ad d itio n ally ,   t h in teg r atio n   o f   GC Ns   en ab les  th m o d el  to   ca p tu r th c o m p le x   r elatio n s h ip s   an d   d ep en d en cies  am o n g   d if f er e n s eg m en ts   o f   th E C s ig n al,   en h an ci n g   its   ab ilit y   to   ex tr ac m ea n in g f u in f o r m atio n   f o r   d is ea s d etec tio n .   Fin ally ,   th h y b r id   lear n in g   m o d el  lev er ag in g   atten tio n   m ec h an is m s   an d   GC Ns   p r esen t s   p r o m is in g   ap p r o ac h   f o r   th d etec tio n   o f   C VDs   f r o m   E C G   s ig n als.  Fu tu r r esear c h   m ay   f o c u s   o n   f u r th er   r e f in i n g   th e   m o d el  a r ch itectu r e,   e x p lo r in g   a d d itio n al  d atasets ,   an d   co n d u ctin g   clin ic al  v alid atio n   s tu d ies to   f ac ilit a te  its   in teg r atio n   in to   r o u tin c lin ical  p r ac tice.         Evaluation Warning : The document was created with Spire.PDF for Python.