طبقه‌بندي صداهاي طبيعي از صداهاي غيرطبيعي قلب با استفاده از روش‌هاي مبتني بر يادگيري ماشين

سيگنال‌هاي فونوكارديوگرافي (PCG) اطلاعات ارزشمندي در مورد عمل‌كرد دريچه‌هاي قلبي دارند. از اين رو اين سيگنال‌ها مي‌توانند در تشخيص زودهنگام بيماري‌هاي قلبي مفيد واقع شوند. طبقه‌بندي خودكار صداي قلب داراي پتانسيل اميدوار كننده‌اي در آسيب‌شناسي قلبي است. در اين پژوهش روشي خودكار براي تشخيص صداهاي طبيعي از غيرطبيعي قلب پيشنهاد شده است. در روش پيشنهادي ابتدا صداهاي قلبي به چهار بخش صداي S1، S2، سيستول و دياستول قطعه‌بندي شده و سپس ويژگي‌هاي زماني آماري و زماني فركانسي از هر كدام از اين بخش‌ها استخراج شده است. پيش از عمليات طبقه‌بندي داده‌ها، از دو ره‌يافت براي انتخاب ويژگي‌هاي موثر استفاده شده است. انتخاب ويژگي در ره‌يافت اول با استفاده از الگوريتم بهينه‌سازي ازدحام ذرات (PSO) و در ره‌يافت دوم با استفاده از جست‌وجوي سلسله مراتبي (SFFS) انجام شده است. روش پيشنهادي روي پايگاه داده‌ي چالش 2016 فيزيونت ارزيابي شده و در نهايت عمل‌كرد آن با استفاده از روش اعتبارسنجي متقابل 10-لايه‌اي مورد ارزيابي قرار گرفته است. هم‌چنين به دليل نامتوازن بودن تعداد صداهاي طبيعي نسبت به صداهاي غيرطبيعي، از تكنيك بيش‌نمونه‌برداري اقليت مصنوعي (SMOTE) براي توليد مجموعه‌ي داده‌هاي متعادل استفاده شده است. نتايج ارزيابي روي پايگاه داده نشان داده كه روش پيشنهادي داراي صحت 98.03%، حساسيت 97.64% و اختصاصيت 98.43% در تشخيص صداهاي طبيعي از غيرطبيعي است.