طبقه‌بندی صداهای طبیعی و غیرطبیعی ضبط‌ شده قلب با استفاده از آنالیز زمان- فرکانس سیگنال‌های ‌pcg

سیگنال صوتی تولیدشده ناشی از فعالیت‌های مکانیکی قلب، اطلاعات مفیدی در رابطه با عملکرد دریچه‌های قلبی فراهم می‌کند. اما به دلیل محدودیت شنوایی انسان، ماهیت گذرا و غیر ایستان سیگنال صدای قلب و انرژی پایین‌تر صداهای پاتولوژیک نسبت به صداهای طبیعی، یافتن نشانه‌های بیماری و تصمیم‌گیری برمبنای صداهای شنیده‌شده از طریق گوشی پزشکی کار دشواری بوده و نیاز به تمرین و تکرار زیادی دارد. به دلیل محتوای تشخیصی بالای سوفل‌ها در هر دو حوزه زمان و فرکانس، استخراج ویژگی‌های زمان فرکانس مناسب‌ترین روش برای پردازش این صداهای غیرطبیعی به شمار می‌روند. در این تحقیق به‌منظور طبقه‌بندی صداهای قلبی، ویژگی‌های حوزه زمان فرکانس از سیگنال‌های صدای قلب استخراج شده است. در مرحله طبقه‌بندی، از ترکیب دو طبقه‌بند adaboost و شبکه عصبی کانولوشن استفاده شده و درنهایت عملکرد روش پیشنهادی با استفاده از روش leaveoneout روش پیشنهادی مورد ارزیابی قرارگرفته است. این‌روش بر روی پایگاه داده چالش 2016 فیزیونت پیاده‌سازی شده است. نتایج حاصل نشان‌دهنده عملکرد بهتر راهکار پیشنهادی در مقایسه با بهترین روش موجود در چالش 2016 فیزیونت و دست‌یابی به حساسیت %93.27 و اختصاصیت 81.96% در طبقه‌بندی صداهای قلبی است درحالی‌که بهترین روش در چالش 2016 فیزیونت به حساسیت% 93.48 و اختصاصیت %80.36 دست یافته است.

Classification of Normal/Abnormal Heart Sound Recordings Using Time –Frequency PCG Signal Analysis

The heart’s acoustic signal produced by its mechanical activity can provide useful information on the condition of heart valves. The heart sound auscultation, i.e. listening to the heart sounds with a stethoscope, is therefore a primary method for evaluating the cardiovascular function. This method has advantages of being fast, inexpensive, easy to use and noninvasive. On the other hand, due to the transient and nonstationary nature of PCG signals and auscultatory limitations, the correct medical diagnosis based on the heart sound through a stethoscope requires a lot of expertise and needs referral of the patient to a cardiologist.  This is not only timeconsuming but also imposes a financial burden on the medical system. Thus, automated detection and analysis of the recorded heart sound auscultation has received a lot of attentions in recent years. Even, this was put to the challenge by the PhysioNet/CinC in 2016.This research is based on the nonstationary nature of PCG signals and proposes a new method based on time–frequency analysis of such signals with the aim to classify heart sounds into normal and abnormal sounds. The proposed methodology uses timefrequency features and two classifiers; AdaBoost and CNN. The publicly available 2016 PhysioNet/CinC 2016 Challenge database was used to evaluate the performance of the proposed method using a leaveoneout cross validation. The experimental results show that the proposed method performs very well and has 1.5% higher sensitivity compared to the best existing method.