طبقه بندی صداهای طبیعی از غیرطبیعی قلب با استفاده از روشهای مبتنی بر یادگیری ماشین

سیگنال های فونوکاردیوگرافی (PCG)، اطلاعات ارزشمندی را در مورد عملکرد دریچه های قلبی دارند. ازاین رو، این سیگنال ها در تشخیص زودهنگام بیماری های قلبی می توانند مفید واقع شوند. طبقه بندی خودکار صدای قلب، دارای پتانسیل امیدوارکننده ای در آسیب شناسی قلبی است. در این پژوهش، روشی خودکار برای تشخیص صداهای طبیعی از غیرطبیعی قلب پیشنهاد گردیده است. در روش پیشنهادی ابتدا صداهای قلبی به چهار بخش صدای S1، S2، سیستول و دیاستول قطعه بندی می گردند. سپس ویژگی های زمانی آماری و زمانی فرکانسی از هرکدام از این بخش ها استخراج می گردد. قبل از عملیات طبقه بندی داده ها، از دو رهیافت برای انتخاب ویژگی های موثر استفاده شده است. در رهیافت اول، انتخاب ویژگی با استفاده از الگوریتم بهینه سازی ازدحام ذرات (PSO) و در رهیافت دوم با استفاده از جستجوی سلسله مراتبی (SFFS) انجام می گردد. روش پیشنهادی بر روی پایگاه داده چالش 2016 فیزیونت ارزیابی گردید و در نهایت عملکرد روش پیشنهادی با استفاده از روش اعتبارسنجی متقابل10لایه ای مورد ارزیابی قرار گرفت. همچنین، به علت نامتوازن بودن تعداد صداهای طبیعی نسبت به صداهای غیرطبیعی، از تکنیک بیش نمونه برداری اقلیت مصنوعی (SMOTE) برای تولید مجموعه داده های متعادل استفاده گردید. نتایج ارزیابی روی پایگاه داده فوق الذکر نشان دادند که روش پیشنهادی دارای صحت 03/98 درصد، حساسیت 64/97 درصد و اختصاصیت 43/98 درصد در تشخیص صداهای طبیعی از غیرطبیعی می باشد.