งานวิจัยฉบับนี้มีวัตถุประสงค์ เพื่อศึกษาเปรียบเทียบตัวแบบในการจำแนกประเภทข้อมูลคลื่นไฟฟ้าหัวใจ โดยใช้ตัวแบบการเรียนรู้เชิงลึก 3 ตัวแบบได้แก่ (1) โครงข่ายประสาทเทียมแบบเพอร์เซ็ปตรอนหลายชั้น (2)โครงข่ายคอนโวลูชันเต็มรูป และ (3)โครงข่ายแบบเรสซิดวลหรือเรสเนท ชุดข้อมูลคลื่นไฟฟ้าหัวใจถูกจำลองขึ้นโดยใช้โปรแกรม Neurokit2 และทำการเพิ่มสิ่งแปลกปนลงในข้อมูล 4 แบบได้แก่ Wandering baseline, Muscle tremor, AC interference และ Motion artifacts และเปรียบเทียบประสิทธิภาพของแต่ละตัวแบบในการจำแนกประเภทข้อมูลคลื่นไฟฟ้าหัวใจปกติกับคลื่นไฟฟ้าหัวใจกรณีกล้ามเนื้อหัวใจขาดเลือด เปรียบเทียบผลโดยใช้วิธีครอสวาลิเดชัน แบ่งข้อมูลเป็น 10 ส่วนแล้วพิจารณา ค่าความถูกต้อง ค่าความแม่นยำ และค่าความครบถ้วน จากผลการทดสอบพบว่า การจำแนกประเภทข้อมูลคลื่นไฟฟ้าหัวใจโดยใช้โครงข่ายประสาทเทียมเพอร์เซ็ปตรอนหลายชั้น จะมีประสิทธิภาพลดลงเมื่อข้อมูลมีสิ่งแปลกปน โดยสิ่งแปลกปนแบบ Motion artifacts จะลดประสิทธิภาพของตัวแบบมากที่สุด โดยค่าเฉลี่ยความถูกต้อง (Accuracy) เท่ากับ 0.609 และ 0.601 ลดลงจาก 0.690 มีค่าเฉลี่ยความแม่นยำ (Precision) เท่ากับ 0.563 ลดลงจาก 0.620 และ ค่าเฉลี่ยความครบถ้วน (Recall) เท่ากับ 0.979 และ 0.918 ลดลงจาก 0.990 สำหรับตัวแบบโครงข่ายคอนโวลูชันเต็มรูป เมื่อข้อมูลมีสิ่งแปลกปนแบบ Motion artifacts จะมีค่าเฉลี่ยความถูกต้องเท่ากับ 0.941 และ 0.972 ลดลงจาก 0.999 มีค่าเฉลี่ยความแม่นยำเท่ากับ 0.884 และ 0.978 ลดลงจาก 0.999 และมีค่าเฉลี่ยความครบถ้วนเท่ากับ 0.898 และ 0.972 ลดลงจาก 0.999 สำหรับตัวแบบโครงข่ายแบบเรสเนท เมื่อข้อมูลมีสิ่งแปลกปนแบบ Motion artifacts จะมีค่าเฉลี่ยความถูกต้องเท่ากับ 1.00 และ 0.999 ค่าเฉลี่ยความแม่นยำเท่ากับ 1.00 และ 0.999 และค่าเฉลี่ยความครบถ้วนเท่ากับ 1.00 และ 1.00 โดยพบว่าค่าประสิทธิภาพไม่ต่างจากข้อมูลคลื่นไฟฟ้าหัวใจที่ไม่มีสิ่งแปลกปนอย่างมีนัยสำคัญ แต่มีค่าเบี่ยงเบนมาตรฐานสูงในบางกรณี