چکیده: آریتمی‌های بطنی ناشناخته از شایع‌ترین اختلالات قلبی هستند که طیفی از وضعیت‌های خوش‌خیم تا تهدیدکننده‌ی حیات را شامل می‌شوند. بخش قابل‌توجهی از این آریتمی‌ها از مجرای خروجی قلب منشأ می‌گیرند؛ ناحیه‌ای کوچک و پیچیده که شباهت مورفولوژیک سیگنال‌های الکتروکاردیوگرام در آن، تشخیص دقیق محل منبع را دشوار کرده و احتمال خطا در تفکیک منشأ راست و چپ را افزایش می‌دهد. از آن‌جا که مکان‌یابی منبع وقوع ضربه‌ی زودرس به‌معنای تشخیص و طبقه‌بندی بر اساس منشأهای شناخته شده‌ی بالینی گام نخست در درمان از طریق فرسایش کاتتری است، توسعه‌ی روش‌های غیرتهاجمی، سریع و دقیق برای تحقق این هدف از اهمیت بالینی و پژوهشی بالایی برخوردار است. در این رساله، با استفاده از ضربان‌های زودرس استخراج شده از الکتروکاردیوگرام دوازده لید ۳۳۴ بیمار و بهره‌گیری از معماری‌های یادگیری عمیق یک‌بعدی، رویکردهایی نوین برای تفکیک منشأ آریتمی به‌ویژه در نواحی با شیوع بالای RVOT و LVOT ارائه شده است. مدل‌های پیشنهادی ضمن مقایسه با مدل‌های پایه، برتری شبکه‌های همگشتی یک‌بعدی را در ایجاد توان تفکیک‌پذیری نواحی هدف تایید کردند. پیاده‌سازی‌های عملی این پژوهش ضمن انجام اعتبارسنجی متناسب و انجام ارزیابی مستقل با داده‌های ایرانی، با رویکرد معتبر بین‌بیمار انجام شده است. رویکردهای بهینه‌سازی معرفی شده در رساله، از جمله بهره‌گیری از جریان PVC، تحلیل‌های چندنرخی و ساختارهای توسعه داده شده مبتنی‌بر وکتورکاردیوگرافی توانستند عملکرد مدل‌های پیشنهادی را نسبت به تحلیل‌های پایه به‌صورت معنادار ارتقا دهند. بر این اساس مدل پیشنهادی CNN-BiLSTM توانست به صحت 91.53 درصد و امتیاز F1 0.9445 دست یابد. همچنین رویکرد جریان PVC صحت 92.16 درصد و امتیاز F1 برابر با 0.9503 را با مدل پیشنهادی CNN-Attention حاصل کرد که در مقایسه با سایر مدل‌ها در این بخش عملکرد بهتری داشت. روش مبتنی‌بر وکتورکاردیوگرام توسعه‌یافته بر اساس ساختار پیشنهادی، با صحت 93.09 درصد و امتیاز F1 برابر با 0.9551، هم‌زمان با کاهش موثر حجم اطلاعات مورد پردازش عملکرد برتری ارائه داد. این مقادیر نسبت به روش‌های مرجع مورد بررسی بهبود داشته و اهمیت رویکردهای پیشنهادی را برجسته می‌سازند. یافته‌ها تصریح کردند که روش‌های مبتنی‌بر یادگیری عمیق قادرند بدون نیاز به تجهیزات اضافی و به‌صورت غیرتهاجمی، محل منبع ضربان زودرس را با صحت بالا پیش‌بینی کنند.