[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
بخش‌های اصلی
صفحه اصلی::
اطلاعات نشریه::
آرشیو مجله و مقالات::
برای نویسندگان::
برای داوران::
ثبت نام و اشتراک::
تماس با ما::
تسهیلات پایگاه::
بایگانی مقالات زیر چاپ::
بانک ها و نمایه نامه ها::
فرم پیش نیاز ارسال مقاله::
::
جستجو در پایگاه

جستجوی پیشرفته
..
دریافت اطلاعات پایگاه
نشانی پست الکترونیک خود را برای دریافت اطلاعات و اخبار پایگاه، در کادر زیر وارد کنید.
..
بانک ها و نمایه ها
DOAJ
GOOGLE SCHOLAR
..
:: دوره 29، شماره 1 - ( 10-1402 ) ::
جلد 29 شماره 1 صفحات 93-80 برگشت به فهرست نسخه ها
‌بهبود تشخیص ناهنجاری‌های قلبی از طریق استخراج ویژگی از سیگنال صدای قلب با به کارگیری الگوریتم‌های طبقه‌بندی یادگیری ماشین
الهام صحرائی1 ، مهدی تقی زاده 2، بابک غلامی1 ، مهدی نوریان زواره3
1- گروه مهندسی پزشکی، واحد کازرون، دانشگاه آزاد اسلامی، کازرون، ایران،
2- گروه مهندسی پزشکی، واحد کازرون، دانشگاه آزاد اسلامی، کازرون، ایران، ، mehdi.taghizadeh@iau.ac.ir
3- مهندسی پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران
چکیده:   (409 مشاهده)
زمینه و هدف: استخراج اطلاعات از سیگنال صدای قلب و تشخیص سیگنال غیرطبیعی در مرحله اولیه می‌‌تواند نقش حیاتی در کاهش میزان مرگ و میر ناشی از بیماری‌های قلبی ـ عروقی داشته باشد. از این رو، تاکنون پژوهش‌های متعددی در حوزه پردازش این سیگنال‌ها انجام شده است. لذا هدف از این پژوهش تعیین و بررسی ­بهبود تشخیص ناهنجاری‌های قلبی از طریق استخراج ویژگی از سیگنال صدای قلب با به کارگیری الگوریتم‌های طبقه‌بندی یادگیری ماشین بود.
­­
روش بررسی: این یک مطالعه توصیفی ـ تحلیلی می‌باشد که در سال 1402 در دانشگاه آزاد کازرون انجام شد، داده‌های پژوهش از دادگان چالش 2016 فیزیونت انتخاب شدند، پس از پیش پردازش و حذف نویز، 6 ویژگی جدید و 35 ویژگی مورد استفاده در پژوهش‌های پیشین در مجموع 41 ویژگی از سیگنال‌های صدای قلب استخراج شد. 6 ویژگی جدید عبارتند از؛ آشفتگی متوسط ​​نسبی، ضریب اغتشاش دوره پنج نقطه ای، شیمر محلی(برحسب دسی بل)، ضریب اغتشاش دامنه سه نقطه‌ای، ضریب اغتشاش دامنه پنج نقطه ای و همبستگی مرکز جرم زمانی و مرکز جرم فرکانسی. ویژگی‌های استخراج شده به عنوان ورودی به چهار طبقه‌بند شامل؛ جنگل تصادفی، ماشین بردار پشتیبان، K نزدیکترین همسایه و تجزیه و تحلیل افتراق خطی اعمال شد. میزان صحت، حساسیت و اختصاصیت هر یک از طبقه‌بندها محاسبه گردید و به منظور بررسی تأثیر ویژگی‌های جدید در تشخیص ناهنجاری‌های قلبی، نتایج به دست آمده با پژوهش‌هایی که از دادگان و طبقه‌بندهای مشابهی استفاده کرده، ولی ویژگی‌های کمتری از داده‌ها استخراج کرده بودند مقایسه شد. داده‌های جمع‌آوری شده با استفاده از آزمون‌های‌ آماری تی و رگرسیون لجستیک تجزیه و تحلیل شدند.

یافته‌ها: بیشترین مقدار صحت و حساسیت، با استفاده از طبقه‌بند تجزیه و تحلیل افتراق خطی به دست آمد که به ترتیب به میزان 52/91 و 19/96 می‌باشد. بیشترین مقدار اختصاصیت نیز در طبقه بند جنگل تصادفی به میزان 90/88 به دست آمد. طبق نتایج به دست آمده، با افزودن ویژگی‌های جدید، سه شاخص صحت، حساسیت و اختصاصیت در دو طبقه‌بند K نزدیک‌ترین همسایه و تجزیه و تحلیل افتراق خطی بهبود می‌یابد. استخراج این ویژگی‌ها هم‌چنین باعث افزایش میزان اختصاصیت در طبقه‌بند جنگل تصادفی می‌گردد.

 نتیجه گیری: نتایج نشان می‌دهد استخراج ویژگی‌های جدید باعث افزایش میزان صحت، حساسیت و اختصاصیت در تشخیص ناهنجاری‌های قلبی در مقایسه با نتایج پژوهش‌های پیشین شده است.

 
واژه‌های کلیدی: تشخیص ناهنجاری‌های قلبی، یادگیری ماشین، استخراج ویژگی، طبقه بندی، سیگنال صدای قلب
متن کامل [PDF 893 kb]   (36 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: تخصصي
دریافت: 1402/3/16 | پذیرش: 1402/10/2 | انتشار: 1402/10/23
فهرست منابع
1. Nabih-Ali M, El-Dahshan EL-S. A, and Yahia A. S. A review of intelligent systems for heart sound signal analysis, Journal of Medical Engineering & Technology, 2017: 41(7):1-11. [DOI:10.1080/03091902.2017.1382584] [PMID]
2. World Health Organization. Cardiovascular diseases (CVDs) 2021. [Available from: https://www.who.int/en/news-room/fact-sheets/detail/cardiovascular-diseases-(cvds)].
3. Deng M, Meng T, Cao J, et al. Heart sound classification based on improved MFCC features and convolutional recurrent neural networks, Neural Networks 2020; 130, 22-32. [DOI:10.1016/j.neunet.2020.06.015] [PMID]
4. Seah J. J, Zhao J, Wang D. Y, & Lee H. P. Review on the Advancements of Stethoscope Types in Chest Auscultation, Diagnostics, 2023: 13(9), 1545. [DOI:10.3390/diagnostics13091545] [PMID] []
5. Homsi M. N, Medina N, Hernandez M, et al. Automatic heart sound recording classification using a nested set of ensemble algorithms, In Proceedings of the 2016 Computing in Cardiology Conference (CinC), Vancouver, BC, Canada 2016:817-820.
6. Potes C, Parvaneh S, Rahman A, et al. Ensemble of feature-based and deep learning-based classifiers for detection of abnormal heart sounds, In Proceedings of the 2016 Computing in Cardiology Conference (CinC), Vancouver, BC, Canada 2016:621-624. [DOI:10.22489/CinC.2016.182-399]
7. Hassani K, Jafarian K, and Doyle D. J, Heart Sounds Features Usage for Classification of Ventricular Septal Defect Size in Children, In Proceedings of the 61th International Conference on Biomedical Engineering, Springer: Singapore 2016:28-31. [DOI:10.1007/978-981-10-4220-1_6]
8. Ghaffari M, Ashourian M, İnce E. A, et al. Phonocardiography signal processing for automatic diagnosis of ventricular septal defect in newborns and children, In Proceedings of the 2017 9th International Conference on Computational Intelligence and Communication Networks (CICN), Girne, Cyprus 2017:62-66. [DOI:10.1109/CICN.2017.8319357]
9. Ahmad M. S, Mir J, Obaid Ullah M, et al. An efficient heart murmur recognition and cardiovascular disorders classification system, Australasian Physical & Engineering Sciences in Medicine, Springer 2019; 42:733-743. [DOI:10.1007/s13246-019-00778-x] [PMID]
10. Aziz S, Khan M.U, Alhaisoni M, et al. Phonocardiogram Signal Processing for Automatic Diagnosis of Congenital Heart Disorders through Fusion of Temporal and Cepstral Features, Sensors 2020; 20(13),3790. [DOI:10.3390/s20133790] [PMID] []
11. Mohammadi E, Kermani S, Nourian-Zavareh M, et al. A New Approach of Phonocardiogram Analysis for Screening Some of Cardio-vascular Diseases Based on Deep Learning, Journal of Isfahan Medical School 2022; 40(661):109-114 [In Persian]
12. Liu C, Springer D, Li Q, et al. An open access database for the evaluation of heart sound algorithms, Physiol Meas 2016; 37(12):2181-2213. [DOI:10.1088/0967-3334/37/12/2181] [PMID] []
13. Nourian-Zavareh M, Kermani S, Hashemi-Jazi S. M, et al. Estimation and evaluation of new features from phonocardiogram for detecting cardiovascular abnormalities, Journal of Isfahan Medical School 2019; 36(506):1444-1449. [In Persian]
14. Borghi P. H, Borges R. C, and Teixeira J. P. Atrial fibrillation classification based on MLP networks by extracting Jitter and Shimmer parameters, Procedia Computer Science 2021; 181:1-939. [DOI:10.1016/j.procs.2021.01.249]
15. Springer D. B, Brennan T, Ntusi N, et al. Automated signal quality assessment of mobile phone-recorded heart sound signals, Journal of Medical Engineering Technol 2016; 40(7-8):342-355. [DOI:10.1080/03091902.2016.1213902] [PMID]
16. Schmidt S. E, Holst-Hansen C, Graff C, et al. Segmentation of heart sound recordings by a duration-dependent hidden Markov model, Physiol. Meas 2010; 31(4):513-29. [DOI:10.1088/0967-3334/31/4/004] [PMID]
17. Springer D. B, Tarassenko L, and Clifford G. D. Logistic Regression-HSMM-based Heart Sound Segmentation, IEEE Transactions on Biomedical Engineering 2016; 63(4):822-32.
18. Zhang Y, Jiang J. J, Biazzo L, et al. Perturbation and Nonlinear Dynamic Analyses of Voices from Patients with Unilateral Laryngeal Paralysis, Journal of Voice 2004; 19(4):519-28. [DOI:10.1016/j.jvoice.2004.11.005] [PMID]
19. Teixeira J. P, and Goncalves A. Algorithm for jitter and shimmer measurement in pathologic voices, Procedia Computer Science, 2016; 100:271-279. [DOI:10.1016/j.procs.2016.09.155]
20. Randhawa S. K, and Singh M. Classification of heart sound signals using multi-modal features, Procedia Computer Science, 2015; 58: 165-171. [DOI:10.1016/j.procs.2015.08.045]
21. SINGH S. A, and MAJUMDER S. Short unsegmented PCG classification based on ensemble classifier, Turkish Journal of Electrical Engineering and Computer Sciences 2020; 28(2):875-889. [DOI:10.3906/elk-1905-165]
22. Zabihi M, Rad A. B, Kiranyaz S, et al. Heart sound anomaly and quality detection using ensemble of neural networks without segmentation, Computing in Cardiology Conference (CinC), IEEE 2016; 43:613-616. [DOI:10.22489/CinC.2016.180-213]
23. Kay E, and Agarwal A, Dropconnected neural network trained with diverse features for classifying heart sounds, Computing in Cardiology Conference (CinC), IEEE 2016; 617-620. [DOI:10.22489/CinC.2016.181-266]
ارسال پیام به نویسنده مسئول

ارسال نظر درباره این مقاله
نام کاربری یا پست الکترونیک شما:

CAPTCHA


XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Sahraee E, Taghizadeh M, Gholami B, Nourian-Zavareh M. Improving the Diagnosis of Cardiac Abnormalities Through Feature Extraction from the Heart Sound Signal Using Machine Learning Classification Algorithms. armaghanj 2023; 29 (1) :80-93
URL: http://armaghanj.yums.ac.ir/article-1-3488-fa.html

صحرائی الهام، تقی زاده مهدی، غلامی بابک، نوریان زواره مهدی. ‌بهبود تشخیص ناهنجاری‌های قلبی از طریق استخراج ویژگی از سیگنال صدای قلب با به کارگیری الگوریتم‌های طبقه‌بندی یادگیری ماشین. ارمغان دانش. 1402; 29 (1) :80-93

URL: http://armaghanj.yums.ac.ir/article-1-3488-fa.html



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 29، شماره 1 - ( 10-1402 ) برگشت به فهرست نسخه ها
ارمغان دانش Armaghane Danesh
Persian site map - English site map - Created in 0.05 seconds with 39 queries by YEKTAWEB 4645