15000 تومان
افزودن به سبد خرید
0 فروش 243 بازدید
جزئیات محصول
تعداد قسمت: 1
پسوند فایل: zip
حجم فایل: 1MB
فایل راهنما: ندارد
بسته نصبی: ندارد
امکانات: شامل فایل pdf مقاله لاتین و فایل word ترجمه فارسی (35 صفحه)
تاریخ انتشار: 18 سپتامبر 2018
دسته بندی: ,

تبلیغات

سیستم هوشمند ابتکاری مبتنی بر استخراج ویژگی تشخیص خودکار برای تشخیص بیماری های قلبی

چکیده

سیستم ابتکاری تشخیص هوشمند در این مقاله ارائه می شود که عمدتا در استخراج خودکار صدای قلب اولیه (S1) و صدای قلب ثانویه (S2)، استخراج خودکار ماتریس ویژگی فرکانس (FFM)، ایجاد ویژگی تشخیصی y1 و y2 براساس آنالیز مولفه های اصلی (PCA) و تعریف روش تشخیصی براساس منحنی های مرز دسته بندی منعکس می شود. چهار مرحله متناظر با اجرای سیستم تشخیصی به صورت زیر خلاصه می شود. مرحله ۱ استخراج پاکت ET از سیگنال های صدای قلب را توضیح می دهد. در مرحله ۲، پیک و نقاط جداسازی صدای قلب ابتدا به صورت خودکار براساس روش جدید STMHT واقع می شود و بعد S1 و S2 به صورت خودکار طبق رابطه میان فاصله زمانی سیستولی (انقباض قلب) و فاصله زمانی دیاستولی (انبساط قلب) استخراج می شوند. در مرحله ۳ در ناحیه فرکانس، ابتدا روش جدیدی برای ایجاد پاکت ثانویه SES1 و SES2 به ترتیب برای S1 و S2 پیشنهاد می شود و بعد FFM مبتنی بر STMHT به صورت خودکار از SES1 و SES2 استخراج می شود. درنهایت ویژگی های تشخیصی y1 و y2 مبتنی بر PCA از FFM ایجاد می شود. در مرحله ۴ منحنی های دسته بندی مبتنی بر دستگاه بردار پشتیبان (SVM) برای مجموعه داده های متشکل از y1 و y2 ایجاد و بعد براساس منحنی های دسته بندی، نتیجه تشخیصی دیاگرام پراش (SDDR) و نتیجه تشخیص عددی (NDR) برای تشخیص بیماری های قلبی تعریف شد. سیستم تشخیص هوشمند پیشنهادی با صداهایی از پایگاه داده صدای قلب آنلاین و با صداهایی از بیماری قلبی بالینی اعتباربخشی می شود. درنتیجه دقت دسته بندی (CA) حاصل برای شناسایی به ترتیب فیبریلاسیون دهلیزی (AF) (ضربان نامنظم)، نارسایی آئورت (AR)، نارسائی دریچه میترال (MR)، صدای نرمال (NM)، تنگی دریچه پولموناری (PS)، نقص دیواره بین بطنی کوچک (SVSD)، نقص دیواره بین بطنی متوسط (MVSD) و نقص دیواره بین بطنی بزرگ (LVSD)، ۷/۹۱%، ۸/۹۸% ۴/۹۸%، ۸/۹۹%، ۷/۹۸%، ۸/۹۷%، ۱/۹۸% و ۵/۹۶% است.

  • مقدمه

بیماری قلبی رایج ترین علت مرگ مردم سراسر دنیاست. براساس آمار سازمان بهداشت جهانی [۴۷]، بیماری قلبی اولین قاتل سال های ۲۰۰۰ تا ۲۰۱۱ بود. ازاین رو استفاده از یک روش پردازش اطلاعات پیشرفته برای تشخیص بیماری قلبی، یکی از مهم ترین حوزه های پژوهش پزشکی است [۴۴]. درحال حاضر روش های تشخیص اختلال دریچه قلب، تکنیک های غیرتهاجمی (الکتروکاردیوگرام، اشعه X قفسه سینه، آنالیز صدای قلب و تصویربرداری فوق صوت و تکنیک های داپلر) و تکنیک های تهاجمی (آنژیوگرافی، ترانسوزفاژیال و اکوکاردیوگراف) است.  از این روش ها آنالیز صدای قلب روش غیرتهاجمی، اقتصادی، آسان و کارامدی است که به طور گسترده برای تشخیص بیماری قلبی و ارزیابی کارکرد قلب طی معاینات پزشکی بزرگسالان و کودکان به کار می رود، مانند تشخیص نقص دیواره بین بطنی [۴۰]، تست الگوریتم استخراج ضربان قلب جنین [۵]، معاینه جنین [۱۸]، تشخیص بیماری قلب دریچه ای [۸]، شناسایی بیماری دریچه قلب [۲۴]، و غربالگری بیماری قلبی مادرزادی کودکان [۳۶]. صدای قلب با ارتعاشات ناشی از بسته شدن دریچه، بازشدن غیرعادی دریچه، ارتعاشات در حفره بطنی، کشیدگی طناب های وتری (رشته های قلب)، و جریان خون غیرعادی یا نامنظم در دریچه ها یا میان حفره های قلبی [۱۷] ایجاد می شوند. سیگنال های اولیه صدای قلب عمدتا متشکل از چهار نوع صدا شامل S1، S2 و دو صدای ضعیف به نام صدای سوم (S3) و صدای چهارم (S4) هستند. S1 با بسته شدن دریچه های میترال و تری کوسپید (سه لتی) در آغاز انقباض بطنی با حجم ثابت و S2 با بسته شدن دریچه های آئورتی و پولمونی (ریوی) در ابتدای انبساط بطنی با حجم ثابت تولید می شود. S3 درصورتی که قابل استماع باشد در اوایل پرشدن بطنی رخ می دهد و ممکن است کشیدگی طناب وتری (رشته های قلبی) و حلقه دهلیزی را نشان دهد که بافت ارتباطی حمایت کننده از صفحات دریچه های میترال و سه لتی است. S4 درصورت استماع با ارتعاش دیواره بطنی طی انقباض دهلیزی ایجاد می شود و معمولا همراه با بطن سخت شده است و درنتیجه در بیمارانی با هایپرتروفی بطنی، ایسکمی مایوکارد (کم خونی در عضله قلب) یا در اشخاص مسن شنیده می شود. هرچند ممکن است این چهار صدابه وسیله سمع قلب قابل شنیدن باشند و در دامنه فرکانس ۲۰۰۰-۲۰ هرتز رخ دهند، ولی سوفل قلب مانند سوفل خروج سیستولی (مانند انسداد آئورت) و سوفل پن سیستولی (مانند نارسائی دریچه قلب) غالبا مابین S1 و S2 با الگوی صدای پارازیت مختلف ظاهر می شود [۱۴]. با این وجود S3 و S4 در دامنه های بسیار پایین با مولفه های فرکانس پاسسن ظاهر می شوند و تشخیص آنها در سمع قلب معمولی بسیار دشوار است. ازاین رو تحلیل S1 و S2 نقش مهمی در آنالیز صدای قلب ایفا می کند. برای کسب اطلاعات بیشتر در مورد صدای قلب و تشخیص بادقت بالاتر، اول جداسازی صدای قلب برای استخراج S1 و S2 انجام می شود و بعد ویژگی های کارامد از S1 و S2 به دست می آید. در نهایت از روش دسته بندی برای تشخیص بیماری های قلبی استفاده می شود.

در سال های اخیر مطالعات گزارش شده در مورد جداسازی صدای قلب را می توان در سه دسته خلاصه کرد. در دسته اول عملکرد جداسازی صدای قلب با با توجه به الکتروکاردیوگرافی رفرنس بسیار خوب است [۱۱، ۲۵]. با این وجود در کودکانی با نقص بطن هیپرتروفی چپ یا راست، انحراف محور قلب باعث بروز اختلال در سیگنال الکتروکاردیوگراف می شود که جداسازی صدای قلب را دشوار می کند [۳۵]. دسته دیگر از الگوریتم جداسازی مبتنی بر ناحیه فرکانس استفاده می کند که با پیگیری طیف صدای قلب پیشنهاد می شود [۲۰، ۱۹، ۱۲، ۲۹]. با این وجود انتخاب آستانه و فیلتر پارازیت غیرمنتظره در این نوع روش مسئله دشواری است و برخی از مطالعات به این مسئله اشاره دارند. دسته سوم، روش جداسازی مبتنی بر پاکت است که بسیاری از محققان به بررسی آن پرداخته اند [۳۲، ۱۴، ۴۸]. با این وجود انتخاب آستانه و فیلتر پارازیت غیرمنتظره در این روش نیز مشکل است. به علاوه تحقیق [۴۸] نشان می دهد که قرار گرفتن پیک های موضعی S1 و S2 با این روش بی نهایت دشوار می ماند. خوشبختانه روش جدید مبتنی بر STMHT جداسازی صدای قلب خودکار و موقعیت پیک پیشنهادی طبق تحقیق [۳۹] برای عملکرد مناسب در مقایسه با الگوریتم منتشر شده گزارش شده است [۴۸] که بهتر از دیگر روش های جداسازی است.

عرض فرکانس پاکت در مقدار آستانه معین (Thν) به عنوان یک ویژگی کارامد تعریف شده در حوزه فرکانس، برای تشخیص بیماری قلبی [۶] و تشخیص VSD [40] موثر شناخته شده است. با این وجود در بسیاری از انواع بیماری های قلبی، استخراج عرض فرکانس با Thν کوچک تر دشوار است (شکل ۴ب). به علاوه برای دستیابی به دقت دسته بندی بالاتر برای تشخیص انواع مختلف بیماری قلبی، مقدار Thν مختلف باید بررسی شود. به عنوان مثال این تحقیق [۶] حاکی از این است که بالاترین دقت دسته بندی برای تشخیص MR در ۸/۰= Thν و بالاترین میزان دقت دسته بندی ۹۴/۹۳% برای تشخیص AF در ۳/۰= Thν است. با این وجود بالاترین دقت دسته بندی گزارش شده برای تشخیص نقص دیواره بین بطنی(VSD) در ۲/۰= Thν، ۴/۹۸% است [۴۰]. برای پرهیز از تعیین Thν مختلف برای استخراج ویژگی های بیماری های مختلف قلبی، ماتریس ویژگی فرکانس جدید FFM پیشنهادی طبق این تحقیق [۳۸] ارزیابی شد و در تشخیص بسیاری از انواع بیماری های قلبی کارامد یافته شد، مانند نارسائی دریچه آئورت (AR)، تنگی دریچه میترال (AS) و نارسایی دریچه میترال (MR). با این وجود با استفاده از FFM برای ویژگی های تشخیص بیماری قلبی شامل محاسبه پیچیده است. ازاین رو برای کاهش محاسبه سیستم تشخیصی پیشنهادی، آنالیز مولفه های اصلی (PCA)، تکنیک کاهش ابعادپذیری خطی برای یافتن مولفه های اصلی جدید در داده های ابعاد بالا است و برای ساده تر و کارامدتر شدن سیستم تشخیصی در بسیاری از مطالعات به کار می رود، مانند مواردی که شامل تشخیص بیماری قلبی [۳]، تشخیص بیماری تیروئید [۹]، تشخیص مرگ قلبی [۱۶]، تشخیص بیماری سرخرگ های قلبی [۱۰]، خوشه بندی داده ها [۲۲]، تشخیص بیماری عروق قلبی [۳۷] و تشخیص بی نظمی ضربان الکتروکاردیوگرام [۵۰] به کار می رود.

اخیرا به عنوان یک روش دسته بندی، دستگاه های بردار پشتیبان (SVM) به عنوان روش یادگیری آماری موثر برای دسته بندی داده های مختلف با استفاده از منحنی های دسته بندی [۴۵] پیشنهاد و با موفقیت برای حل بسیاری از مشکلات به کار رفته اند، مانند تشخیص دیجیتال دست خط [۲۷]، تشخیص سرطان [۲] و دسته بندی مورمور قلبی [۴۰،۶]. در مطالعه [۴۰]، روش محاسبه مبتنی بر SVM برای ایجاد منحنی دسته بندی پیشنهاد شد که با موفقیت VSD را تشخیص داد.

در این تحقیق سیستم هوشمنئ نوآورانه ای برای تشخیص بیماری قلبی پیشنهاد می شود. برای دستیابی به سیستم تشخیص هوشمند این تحقیق در چهار مرحله آرایش می یابد. در مرحله ۱ پاکت ET  از سیگنال صدای قلب XT فیلتر شده با استفاده از روش تجزیه موجک استخراج می شود. در مرحله ۲ نقاط جداسازی صدای قلب و پیک های ET ابتدا به صورت خودکار براساس روش جدید STMHT تعیین می شوندو بعد S1 و S2 طبق رابطه میان فاصله زمانی سیستول و دیستول به صورت خودکار استخراج می شوند. د رمرحله ۳ در ناحیه فرکانس، ابتدا روش جدیدی برای ایجاد پاکت های ثانویه SES1 و SES2 به ترتیب برای S1 و S2 پیشنهاد شد و بعد ماتریس ویژگی فرکانس مبتنی بر STMHT (FFM) تعریف و به صورت خودکار از SES1 و SES2 استخراج شد. درنهایت دو مولفه اصلی اولیه مبتنی بر PCA، y1 و y2 از FFM ایجاد شدند و به عنوان ویژگی های تشخیصی به کار رفتند. در مرحله ۴، منحنی های دسته بندی مبتنی بر SVM برای مجموعه داده های متشکل از y1 و y2 که از صدای بیمار قلبی ایجاد می شوند ابتدا با روش جدیدی به وجود آمدند و بعد براساس منحنی های دسته بندی، روش تشخیصی برای تشخیص صداهای شناسایی شده تعریف شدند. به علاوه برای ارزیابی عملکرد این سیستم هوشمند، آنالیز قیاسی برای تشخیص صدا از پایگاه داده صدای قلب آنلاین و بیماری قلبی بالینی در بیمارستان ها اجرا شدن تا اعتبار سیستم تشخیص هوشمند پیشنهادی تائید شود.

An innovative intelligent system based on automatic diagnostic feature extraction for diagnosing heart diseases

Abstract

An innovative intelligent diagnostic system is proposed in this study, which is primarily reflected in first heart sound (S1) and second heart sound (S2) automatic extraction, frequency feature matrix (FFM) automatic extraction, diagnostic feature y1and y2 generation based on principal components analysis (PCA) and diagnostic method definition based on the classification boundary curves. Four stages corresponding to the diagnostic system implementation are summarized as follows. Stage 1 describes an envelope ET extraction from heart sound signals. In stage 2, heart sound segmentation points and peaks are first automatically located based on a novel method STMHT, and then S1 and S2 are automatically extracted according to the relationship between the systolic time interval and the diastolic time interval. In stage 3, in the frequency domain, a novel method is first proposed to generate the secondary envelopes SES1 and SES2 for S1 and S2, respectively, and then an STMHT-based FFM is automatically extracted from SES1 and SES2. Finally, the PCA-based diagnostic features y1 and y2 are generated from the FFM. In stage 4, support vector machine (SVM)-based classification curves for the dataset consisting of y1 and y2 are first generated, and then, based on the classification curves, the scatter diagram diagnostic result (SDDR) and numerical diagnostic result (NDR) are defined for diagnosis of heart diseases. The proposed intelligent diagnosis system is validated by sounds from online heart sound databases and by sounds from clinical heart diseases. As a result, the classification accuracies (CA) achieved are 91.7%, 98.8%, 98.4%, 99.8%, 98.7%, 97.8%, 98.1% and 96.5% for the detection of atrial fibrillation (AF), aortic regurgitation(AR), mitral regurgitation (MR), normal sound (NM), pulmonary stenosis (PS), small ventricular septal defect (SVSD), medium ventricular septal defect (MVSD) and large ventricular septal defect (LVSD), respectively.

 

لینک مقاله اصلی:

https://www.sciencedirect.com/science/article/pii/S0950705114004316

افزودن به سبد خرید

لطفاً براي ارسال دیدگاه، ابتدا وارد حساب كاربري خود بشويد

محصولات پر فروش

پر فروش ترین محصولات فروشگاه روکساوب