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

سیگنال‌های فونوکاردیوگرافی (pcg) اطلاعات ارزشمندی در مورد عمل‌کرد دریچه‌های قلبی دارند. از این رو این سیگنال‌ها می‌توانند در تشخیص زودهنگام بیماری‌های قلبی مفید واقع شوند. طبقه‌بندی خودکار صدای قلب دارای پتانسیل امیدوار کننده‌ای در آسیب‌شناسی قلبی است. در این پژوهش روشی خودکار برای تشخیص صداهای طبیعی از غیرطبیعی قلب پیشنهاد شده است. در روش پیشنهادی ابتدا صداهای قلبی به چهار بخش صدای s1، s2، سیستول و دیاستول قطعه‌بندی شده و سپس ویژگی‌های زمانی آماری و زمانی فرکانسی از هر کدام از این بخش‌ها استخراج شده است. پیش از عملیات طبقه‌بندی داده‌ها، از دو ره‌یافت برای انتخاب ویژگی‌های موثر استفاده شده است. انتخاب ویژگی در ره‌یافت اول با استفاده از الگوریتم بهینه‌سازی ازدحام ذرات (pso) و در ره‌یافت دوم با استفاده از جست‌وجوی سلسله مراتبی (sffs) انجام شده است. روش پیشنهادی روی پایگاه داده‌ی چالش 2016 فیزیونت ارزیابی شده و در نهایت عمل‌کرد آن با استفاده از روش اعتبارسنجی متقابل 10-لایه‌ای مورد ارزیابی قرار گرفته است. هم‌چنین به دلیل نامتوازن بودن تعداد صداهای طبیعی نسبت به صداهای غیرطبیعی، از تکنیک بیش‌نمونه‌برداری اقلیت مصنوعی (smote) برای تولید مجموعه‌ی داده‌های متعادل استفاده شده است. نتایج ارزیابی روی پایگاه داده نشان داده که روش پیشنهادی دارای صحت 98.03%، حساسیت 97.64% و اختصاصیت 98.43% در تشخیص صداهای طبیعی از غیرطبیعی است.

classification of normal and abnormal heart sounds using machine learning techniques

phonocardiography (pcg) signals provide valuable information about the heart valves.these auditory signals can be useful in the early diagnosis of heart diseases. automatic heart sound classification has a promising potential in the field of heart pathology. inthis research, a new method based on machine learning techniques is proposed for discriminating normal and abnormal heart sounds. in this method, first, the heart sounds are segmented into 4 main parts: s1, s2, systole and diastole segments. from these segments, statistical and time-frequency features are extracted for classification. before classification, the distinctive features are selected using two approaches. in the first approach, the feature selection is ccomplished using particle swarm optimizationalgorithm (pso). in the second approach, we use sequential forward feature selection (sffs) method. the proposed method was evaluated on the physionet 2016 challenge database using 10-fold cross-validation method. in this database, the number of normaland abnormal pcg signals are not balanced. therefore, in this paper, the synthetic minority over-sampling technique (smote) is applied to produce balanced data. the evaluation results showed that the proposed method can distinguish the normal heartsounds from abnormal ones with accuracy of 98.03% and sensitivity and specificity of 97.64% and 98.43% respectively.