|
|
|
 |
جستجو در مقالات منتشر شده |
 |
|
۱ نتیجه برای سیگنال صدای قلب
الهام صحرائی، مهدی تقی زاده، بابک غلامی، مهدی نوریان زواره،
دوره ۲۹، شماره ۱ - ( ۱-۱۴۰۳ )
چکیده
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 ۱۴۰۲ در دانشگاه آزاد کازرون انجام شد، داده‌های پژوهش از دادگان چالش ۲۰۱۶ فیزیونت انتخاب شدند، پس از پیش پردازش و حذف نویز، ۶ ویژگی جدید و ۳۵ ویژگی مورد استفاده در پژوهش‌های پیشین در مجموع ۴۱ ویژگی از سیگنال‌های صدای قلب استخراج شد. ۶ 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 ۵۲/۹۱ و ۱۹/۹۶ می‌باشد. بیشترین مقدار اختصاصیت نیز در طبقه بند جنگل تصادفی به میزان ۹۰/۸۸ 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.
|
|
