انتخاب ویژگی‌های موثر در ناهنجاری‌های دریچه‌ای قلب با استفاده از الگوریتم ژنتیک بر اساس ارزیابی همبستگی پیرسون

امروزه اختلالات دریچه​های قلبی یکی از اصلی​ترین عوامل مرگ و میر در جهان هستند. این اختلالات عبارت است از بروز عوارضی در دریچه‌های قلبی به‌نحوی که موجب تغییر شکل و یا تخریب دریچه‌ها شده و به تبع آن صداهای ناشی از باز و بسته‌شدن آنها نسبت به قلب سالم، دچار تغییر شوند. بدیهی است با توجه به پیچیدگی‌های سیگنال‌های صوتی قلبی و ثبت آنها، طراحی سامانه‌ای عاری از خطا و در عین حال دقیق از نظر میزان صحت تشخیص به‌سختی دست‌یافتنی باشد. با این وجود در این پژوهش تلاش شده است، سامانه‌ای هوشمند برای تشخیص نارسایی​های دریچه​ای قلب با استفاده از سیگنال‌های صوتی فونوکاردیوگرافی ارائه شود تا بیشینه قدرت تشخیصی را داشته باشد. هدف اصلی در روش پیشنهادی انتخاب بردارهای ویژگی موثر با استفاده از روش بهینه​سازی ژنتیک و نیز بر اساس تابع ارزیابی مبتنی بر ضرایب همبستگی پیرسون است. پیش از انتخاب ویژگی با توجه به ماهیت سیگنال های صوتی قلب، مراحل پیش​پردازشی شامل ثبت داده‌ها، نرمال​سازی، تقسیم‌بندی و فیلتر‌کردن مورد استفاده قرار گرفته تا صحت عملکرد سامانه را افزایش دهد. در گام بعدی سه دسته ویژگی‌های مختلف زمانی، موجک و انرژی سیگنال (هر یک پانزده ویژگی) از روی سیگنال عاری از نوفه استخراج شده که با توجه به تراکم و ناهمبستگی این ویژگی​ها، به‌کمک روش‌های ادغام، همبسته‌سازی و نیز کاهش فضای مساله شامل تجزیه و تحلیل مولفه‌های اصلی، تحلیل جداکننده‌های خطی و تحلیل جداکننده‌های خطی ناهمبسته بردارهای ویژگی در فضای جدیدی استخراج می‌شوند. این بردارها شامل هجده بردار جدید (هر یک شش بردار) بوده که در‌نهایت از شبکه پرسپترون چند​لایه و المن برای طبقه‌بندی آنها استفاده می‌شود. نتایج مدل‌سازی فرآیند انتخاب ویژگی‌های موثر و تشخیص بیماری نشان از کارایی روش پیشنهادی دارد.

Selecting effective features from Phonocardiography by Genetic Algorithm based on Pearson`s Coefficients Correlation

The heart is one of the most important organs in the body, which is responsible for pumping blood into the valvular systems. Beside, heart valve disorders are one of the leading causes of death in the world. These disorders are complications in the heart valves that cause the valves to deform or damage, and as a result, the sounds caused by their opening and closing compared to a healthy heart. Obviously, due to the complexities of cardiac audio signals and their recording, designing an accurate diagnosis system free of noise and fast enough is difficult to achieve. One of the most important issues in designing an intelligent heart disease diagnosis system is the use of appropriate primary data. This means that these data must not only be recorded according to the patientchr('39')s equipment and clinical condition, but also must be labeled according to the correct diagnosis of the physician. However, in this study, an attempt has been made to provide an intelligent system for diagnosing valvular heart failure using phonocardiographic sound signals to have maximum diagnostic power. For this purpose, the signals are labeled and used under the supervision of a specialist doctor.The main goal is to select the effective feature vectors using the genetic optimization method and also based on the evaluation function by Pearson correlation coefficients.Before extraction feature step, preprocessing from data recording, normalization, segmentation, and filtering were used to increase system performance accuracy. For better result, Signal temporal, wavelet and signal energy components are extracted from the prepared signal as feature extraction step.Whereas extracted problem space were not correlated enough, in next step principal component analysis, linear separator analysis, and uncorrelated linear separator analysis methods were used to make feature vectors in a final correlated space.In selecting step, an efficient and simple method is used inorder to estimate the number of optimal features. In general, correlation is a criterion for determining the relationship between variables. The difference between the correlations of all feature subsets is calculated (for both inclass and outofclass subsets) and then categorized in descending order according to the evaluation function.As a result, in the feature selection step the evaluation function is based on the Pearson statistical method, which is evaluated by a genetic algorithm with the aim of identifying more effective and correlated features in the final vectors. Eventually In this paper, two widely used neural networks with dynamic and static structure including perceptron and Elman neural networks have been used to evaluate the accuracy of the proposed vectors. The results of modeling the process of selecting effective features and diagnosing the disease show the efficiency of the proposed method.