شبیه سازی آموزشی پردازش و دسته بندی صدای قلب با متلب + دیتا

چکیده مقاله (ترجمه ماشینی)

ارزیابی کیفیت سیگنال صدای قلب خودکار یک گام ضروری برای تجزیه و تحلیل قابل اعتماد سیگنال صدای قلب است. یک مرحله پردازش اجتناب‌ناپذیر برای این هدف، تقسیم‌بندی صدای قلب است که از دیدگاه فنی هنوز یک کار چالش برانگیز است. در این مطالعه ده ویژگی برای ارزیابی کیفیت سیگنال صدای قلب بدون تقسیم بندی تعریف شده است. این ده ویژگی از کشیدگی، نسبت انرژی، پوشش هموار با فرکانس و درجه تناوب صدا می‌آیند که پنج مورد از آنها در ارزیابی کیفیت سیگنال جدید هستند. ما در مجموع 7893 ضبط را از پایگاه‌های اطلاعاتی صدای قلب عمومی باز جمع‌آوری کرده‌ایم و حاشیه‌نویسی دستی را برای هر ضبط به عنوان برچسب کیفیت استاندارد طلایی انجام داده‌ایم. کیفیت سیگنال بر اساس دو طرح طبقه بندی می شود: طبقه بندی باینری (“غیرقابل قبول” و “قابل قبول”) و طبقه بندی سه گانه (“غیرقابل قبول”، “خوب” و “عالی”). انتخاب ویژگی رو به جلو متوالی نشان می دهد که ویژگی “درجه تناوب” نرخ دقت 73.1٪ را در طبقه بندی SVM باینری می دهد. پنج ویژگی برتر بر عملکرد طبقه بندی تسلط دارند و میزان دقت 92٪ را ارائه می دهند. طبقه‌بندی‌کننده باینری دارای قابلیت تعمیم عالی است زیرا میزان دقت به (0:5 ± 90:4)٪ می‌رسد، حتی اگر 10٪ از داده‌ها برای آموزش طبقه‌بندی‌کننده استفاده شود. نرخ در اعتبار دهی 10 برابری به (0:7 ± 94:3) درصد افزایش می یابد. طبقه بندی سه گانه دارای نرخ دقت (0:6 ± 85:7) درصد در اعتبار سنجی 10 برابری است. نتایج، اثربخشی ارزیابی کیفیت سیگنال را تأیید می‌کند، که می‌تواند به عنوان یک کاندیدای بالقوه به عنوان یک پیش پردازش در تجزیه و تحلیل خودکار صدای قلب آینده در کاربرد بالینی باشد.

صداهای قلب ارتعاشات صوتی هستند که در اثر ضربان قلب و جریان خون در آن ایجاد می شوند. به طور خاص، صداها منعکس کننده تغییرات همودینامیک مرتبط با بسته شدن ناگهانی دریچه های قلب هستند [1، 2]. یک ارتباط طبیعی بین صدای قلب و وضعیت قلب وجود دارد و پس از اختراع گوشی پزشکی توسط رنه لنک در سال 1816 ایجاد شد. پزشکان معمولا سمع قلبی را برای تشخیص بیماری های قلبی عروقی ترجیح می دهند [3]. الگوریتم های کامپیوتری برای جلوگیری از محدودیت های سیستم شنوایی انسان و کارهای دستی در غربالگری بیماری های قلبی عروقی با استفاده از سیگنال دیجیتال صدای قلب ضروری هستند. بررسی اخیر در مورد این موضوع نشان داد که بیش از 1300 مقاله تحقیقاتی از سال 1963 تا 2018 در دسترس است [4، 5]. اگرچه کارهای تحقیقاتی زیادی در زمینه تقسیم‌بندی، استخراج ویژگی و طبقه‌بندی انجام شده است، اما هنوز یک منطقه باز برای محققان برای توسعه الگوریتم‌های خودکار و قوی برای شناسایی و طبقه‌بندی رویدادهای مختلف در سیگنال‌های صوتی قلبی است. مشکل کلیدی مرتبط با این رویکرد، ضبط صداهای قلبی کمتر آموزنده توسط افراد غیر ماهر است. کیفیت سیگنال صدای قلب تأثیر آشکاری بر خروجی سیستم تشخیص خودکار دارد. از این رو، برای جلوگیری از تعبیر نادرست بیماری‌های قلبی و طبقه‌بندی دقیق‌تر صداهای قلب، به سیگنال صدای قلب با کیفیت بالا نیاز داریم. به طور کلی دو راه برای به دست آوردن سیگنال های با کیفیت بالا وجود دارد: پروتکل های مبتنی بر سخت افزار و نرم افزار. در رویکرد اول، یک حسگر بسیار حساس برای تشخیص صدای قلب برای شناسایی بهتر جریان خون آشفته طراحی شده است (به عنوان مثال، یک شتاب سنج بسیار سبک و دوگانه توسط Semmlow برای جمع‌آوری صدای قلب با کیفیت بالا در سطح قفسه سینه ایجاد شده است). 6]. اخیرا روی و همکاران. هدف آن طراحی یک گوشی پزشکی الکترونیکی بود که به پزشکان در تجزیه و تحلیل صدای قلب و شناسایی یک بیماری قلبی کمک می کرد [7]. انجام پروژه متلب

از سوی دیگر، رویکرد مبتنی بر نرم‌افزار کیفیت سیگنال را تخمین می‌زند و اجزای با کیفیت بالا را برای پردازش بیشتر بر اساس تحلیل کامپیوتری انتخاب می‌کند. محققان قبلی روش هایی را برای ارزیابی کیفیت سیگنال های صدای قلب پیشنهاد کرده اند. بریتلی و همکاران یک الگوریتم انتخاب را در سال 2009 برای تعیین بهترین دنباله از یک سیگنال بر اساس اندازه گیری فاصله مغزی پیشنهاد کرد [8]. یکی دیگر از بهترین الگوریتم های انتخاب دنباله توسط لی و همکاران ارائه شد. بر اساس درجه تناوب صدای قلب [9-12]. عبدالله پور و همکاران یک روش ارزیابی کیفیت چرخه را برای انتخاب آن چرخه‌هایی با نویز یا نویز کم پیشنهاد کرد [13]. اولین الگوریتم طبقه بندی کیفیت سیگنال باینری توسط ناظری و همکاران ارائه شد. با استفاده از اندازه گیری کیفیت مبتنی بر انرژی و نویز [14] در سال 2012. ذبیحی و همکاران. ناهنجاری‌های تشخیص داده شده و کیفیت از 40 ویژگی استخراج شده از ضرایب پیش‌بینی خطی، آنتروپی، فرکانس ذوب، ضرایب مغزی، ضرایب موجک گسسته و چگالی طیفی توان استفاده کرد [15]. یک شبکه عصبی مجموعه ای برای طبقه بندی کیفیت باینری آموزش و آزمایش شد. اسپرینگر و همکاران یک الگوریتم عالی با استفاده از نه ویژگی پیشنهاد کرد و یک طبقه‌بندی تشخیص خطی برای انجام طبقه‌بندی باینری استفاده شد [16، 17]. مبارک و همکاران آخرین الگوریتم را در سال 2018 پیشنهاد کرد، که در آن از سه ویژگی در حوزه زمان برای ارزیابی کیفیت سیگنال استفاده شد [18].

 

تعريف کليات اين کار

يکي از حوزه هاي پژوهشي در زمينه هاي مرتبط با قلب، پردازش و دسته بندي صداي قلب (معمولا جهت آشکارسازي بيماري هاي دريچه هاي قلبي)

انواع مختلفي از ويژگي ها از سيگنال صوتي قلب استخراج مي شوند و بعد توسط طبقه بندها مورد استفاده قرار مي گيرند.

در اين پروژه آموزشی، فعلا ميخواهيم تعداد محدودي از فيچرهائي که به کمک STFT محاسبه مي شوند، از سيگنال صوتي قلب استخراج شوند و با استفاده از طبقه بند SVM، دسته بندي صداي قلب به دو دستة “سالم” و “مريض صورت گيرد.

مبناي اين کار، محتوي مقاله اي که پيوست اين صورت مسئله است شده است.

در اين مقاله ويژگي هاي زيادي از سيگنال صوتي قلب استخراج شده اند که اینجا فقط مواردي را کامنت شده مورد توجه و استفاده قرار گرفته است.

دادگاني که استفاده شده از چالش 2016 مربوط به فيزيونت گرفته شده است.

البته براي کم حجم شدن پردازش ها، فقط دادگان تست ارسال مي گردد که مي توانيد بطور تصادفي 70 درصد آن را براي تعليم طبقه بند و 30 درصد باقيمانده را براي تست استفاده کنيد!

در انتها کارائي بازشناسي حاصل شده را برحسب معيارهاي “Accuracy”، “Sensitivity” و “Specificity” بيان نموده ایم.

شبیه سازی آموزشی پردازش و دسته بندی صدای قلب با متلب توسط کارشناسان گروه ۱.۲.۳ پروژه پیاده سازی گردیده است.