Search

One of the main reasons for human death is diseases caused by the heart. Detecting heart diseases in the early stage can stop heart failure or any damage related to the heart muscle. One of the main signals that can be beneficial in the diagnosis of diseases of the heart is the electrocardiogram (ECG). This paper concentrates on the diagnosis of four types of ECG records such as myocardial infarction (MYC), normal (N), variances in the ST-segment (ST), and supraventricular arrhythmia (SV). The methodology captures the data from six main datasets, and then the ECG records are filtered using a pre-processing chain. Afterward, a proposed 1D CNN model is applied to extract features from the ECG records. Then, two different classifiers are applied to test the extracted features’ performance and obtain a robust diagnosis accuracy. The two classifiers are the softmax and random forest (RF) classifiers. An experiment is applied to diagnose the four types of ECG records. Finally, the highest performance was achieved using the RF classifier, reaching an accuracy of 98.3%. The comparison with other related works showed that the proposed methodology could be applied as a medical application for the early detection of heart diseases. Однією з основних причин смерті людини є захворювання серця. Виявлення серцевих захворювань на ранній стадії може запобігти серцевій недостатності або будь-якому пошкодженню серцевого м’яза. Одним з основ- них сигналів, які можуть бути корисними в діагностиці захворювань серця, є електрокардіограма (ЕКГ). Розглянуто діагностику чотирьох типів записів ЕКГ, таких як інфаркт міокарда (MYC), норма (N), відхилення сегмента ST (ST) і надшлуночкова аритмія (SV). Методологія збирає дані з шести основних наборів даних, а потім записи ЕКГ фільтруються за допомогою ланцюжка по- переднього оброблення. Після цього запропонована модель 1D CNN використовується для вилучення ознак із записів ЕКГ. Потім застосовуються два різні класифікатори, щоб перевірити ефективність виділених ознак і отри- мати надійну точність діагностики. Два класифікатори – це softmax і класифікатор випадкового лісу (RF). Застосовується експеримент для діагностики чотирьох типів записів ЕКГ. Зрештою найвищої продуктивності досягнуто за допомогою радіочастотного класифікатора з точністю 98,3%. Порівняння з іншими суміжними роботами показало, що запропоновану мето- дику можна застосовувати для раннього виявлення захворювань серця.

The ongoing COVID-19 pandemic has created an unprecedented predicament for global supply chains (SCs). Shipments of essential and life-saving products, ranging from pharmaceuticals, agriculture, and healthcare, to manufacturing, have been significantly impacted or delayed, making the global SCs vulnerable. A better understanding of the shipment risks can substantially reduce that nervousness. Thenceforth, this paper proposes a few Deep Learning (DL) approaches to mitigate shipment risks by predicting "if a shipment can be exported from one source to another", despite the restrictions imposed by the COVID-19 pandemic. The proposed DL methodologies have four main stages: data capturing, de-noising or pre-processing, feature extraction, and classification. The feature extraction stage depends on two main variants of DL models. The first variant involves three recurrent neural networks (RNN) structures (i.e., long short-term memory (LSTM), Bidirectional long short-term memory (BiLSTM), and gated recurrent unit (GRU)), and the second variant is the temporal convolutional network (TCN). In terms of the classification stage, six different classifiers are applied to test the entire methodology. These classifiers are SoftMax, random trees (RT), random forest (RF), k-nearest neighbor (KNN), artificial neural network (ANN), and support vector machine (SVM). The performance of the proposed DL models is evaluated based on an online dataset (taken as a case study). The numerical results show that one of the proposed models (i.e., TCN) is about 100% accurate in predicting the risk of shipment to a particular destination under COVID-19 restrictions. Unarguably, the aftermath of this work will help the decision-makers to predict supply chain risks proactively to increase the resiliency of the SCs.