مدل ترکیبی تشخیص ناهنجاری‌های قلبی با استفاده از پردازش صداهای قلب

مقدمه: در تشخیص ناهنجاری‌های قلبی عوامل مختلفی موثر هستند. هرچه تعداد این عوامل بیشتر باشد عدم قطعیت در تشخیص ناهنجاری‌ها قلبی افزایش می‌یابد. در شرایط عدم قطعیت در پاسخ مدل پیش‌بینی کننده، سیستم‌های فازی یکی از کاراترین روش‌ها برای تولید یک پاسخ قابل قبول می‌باشند.روش: در این پژوهش کاربردی داده‌های مربوط به ناهنجاری‌های قلبی شامل 3240 رکورد، که هر رکورد صداهای قلب افراد مختلف در دو گروه سالم و ناسالم می‌باشد بررسی و سپس به کمک سیستم فازی قوانین حاکم بر داده‌ها برای نمونه‌های ورودی استخراج و از این قوانین برای دسته‌بندی ناهنجاری‌های قلبی استفاده شد. به جهت وابستگی فاکتورهای موثر در ناهنجاری‌های قلبی، بسیاری از قوانین همسان با یک عملکرد مشابه که موجب پردازش‌های اضافی و کاهش کارایی می‌شوند، تولید خواهد شد. در روش پیشنهادی از الگوریتم مرغ مگس‌خوار، برای انتخاب قوانین بهینه تولید شده استفاده شد. سپس به کمک قوانین بهینه انتخاب شده سیستم ورودی‌ها را به دو گروه هنجار و ناهنجار دسته‌بندی می‌کند. برای ارزیابی نتایج، روش میانگین مربعات خطا استفاده شد.نتایج: نتایج نشان داد که میانگین دقت و زمان در تشخیص ناهنجاری‌های قلبی در روش پیشنهادی به ترتیب 6.99 درصد و 56.0 ثانیه است و نسبت به تحقیقات مشابه، از کارایی بالاتری برخوردار می‌باشد.نتیجه‌گیری: مدل پیشنهادی نسبت به سایر روش‌ها، تشخیص و دسته‌بندی را با دقت بالاتری انجام می‌دهد.

A Hybrid Model of Heart Anomalies Detection by Processing Heart Sounds

​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.