مدل تركيبي تشخيص ناهنجاري‌هاي قلبي با استفاده از پردازش صداهاي قلب

A Hybrid Model of Heart Anomalies Detection by Processing Heart Sounds

مقدمه: در تشخيص ناهنجاري‌هاي قلبي عوامل مختلفي مؤثر هستند. هرچه تعداد اين عوامل بيشتر باشد عدم قطعيت در تشخيص ناهنجاري‌ها قلبي افزايش مي‌يابد. در شرايط عدم قطعيت در پاسخ مدل پيش‌بيني كننده، سيستم‌هاي فازي يكي از كاراترين روش‌ها براي توليد يك پاسخ قابل قبول مي‌باشند. روش: در اين پژوهش كاربردي داده‌هاي مربوط به ناهنجاري‌هاي قلبي شامل 3240 ركورد، كه هر ركورد صداهاي قلب افراد مختلف در دو گروه سالم و ناسالم مي‌باشد بررسي و سپس به كمك سيستم فازي قوانين حاكم بر داده‌ها براي نمونه‌هاي ورودي استخراج و از اين قوانين براي دسته‌بندي ناهنجاري‌هاي قلبي استفاده شد. به جهت وابستگي فاكتورهاي مؤثر در ناهنجاري‌هاي قلبي، بسياري از قوانين همسان با يك عملكرد مشابه كه موجب پردازش‌هاي اضافي و كاهش كارايي مي‌شوند، توليد خواهد شد. در روش پيشنهادي از الگوريتم مرغ مگس‌خوار، براي انتخاب قوانين بهينه توليد شده استفاده شد. سپس به كمك قوانين بهينه انتخاب شده سيستم ورودي‌ها را به دو گروه هنجار و ناهنجار دسته‌بندي مي‌كند. براي ارزيابي نتايج، روش ميانگين مربعات خطا استفاده شد. نتايج: نتايج نشان داد كه ميانگين دقت و زمان در تشخيص ناهنجاري‌هاي قلبي در روش پيشنهادي به ترتيب 99/6 درصد و 0/56 ثانيه است و نسبت به تحقيقات مشابه، از كارايي بالاتري برخوردار مي‌باشد. نتيجه‌گيري: مدل پيشنهادي نسبت به ساير روش‌ها، تشخيص و دسته‌بندي را با دقت بالاتري انجام مي‌دهد.

Introduction: Different factors are effective in detecting heart abnormalities. The greater the number of these factors, the greater the uncertainty in the detection of heart abnormalities. In the uncertainty condition in response of prediction model, the fuzzy systems are one of the most effective methods for generating an acceptable response. Method: In this applied study, 3240 records related to heart abnormalities were reviewed, each record contained heart sounds of healthy and unhealthy groups. Then, using fuzzy system, the rules of data for the input samples were extracted and the rules were used to categorize the heart abnormalities. Due to the dependency of the effective factors on heart abnormalities, many identical rules with a similar function that result in additional processing and reduced efficacy, will be produced. In the proposed method, the Hummingbird algorithm were used to choose the optimal output rules. Then, using the optimum output rules, the inputs data were categorized into normal and abnormal classes. Data were analyzed using the root mean squared error (RMSE) method. Results: It was revealed that the mean accuracy and time of diagnosis of heart abnormalities in the proposed method were 99.6% and 0.56 seconds, respectively, indicating higher efficiency compared to the other similar studies. Conclusion: Compared to the other methods, the proposed model provides more accurate diagnosis and classification.