بهبود عملکرد تشخیص بیماری قلبی با ترکیب تبدیل کوچلیگرام و شبکه خودرمزنگار

تشخیص اولیه صداهای غیرطبیعی قلب تا حد زیادی می تواند از مرگ ناگهانی ناشی از بیماری های قلبی جلوگیری کند. یک روش کم هزینه و غیرهجومی برای تشخیص صداهای غیرطبیعی قلب، بکارگیری سیگنال pcg می باشد. دراین مقاله، بعد از قسمت بندی سیگنال صدای قلب، نمایش دو بعدی سیگنال توسط تبدیل کوچلیگرام حاصل می شود، سپس به کمک یادگیری عمیق و شبکه خودرمزنگار متغیر، 4 ویژگی نهایی از هر سیگنال استخراج می شود. در نهایت از ماشین بردار پشتیبان و k-نزدیک ترین همسایه با اعتبارسنجی k-fold برای طبقه بندی سیگنال صدای قلب به یکی از دسته های از پیش تعیین شده ی کلاس صدای نرمال و غیرنرمال استفاده می شود. در این پژوهش از پایگاه داده ی فیزیونت که دارای 3482 صدای قلب از یک مجموعه استاندارد جهت آموزش و ارزیابی روش پیشنهادی استفاده می شود. بهترین نتایج بدست آمده روش پیشنهادی جهت طبقه بندی دو کلاسه صدای قلب به ترتیب به دقت، حساسیت و ویژه بودن 99.55، 98.75 و 99.70 می باشد که توانایی بالاتر روش پیشنهادی در مقایسه با سایر روش های موجود را اثبات می کند. از این سیستم تشخیص صداهای غیرنرمال می توان به صورت بسیار مفید در مراکزدرمانی بهداشت روستایی و بیمارستان های کوچک به منظور کمک به پزشکان بدون تخصص برای تشخیص مشکلات قلبی استفاده کرد.

improving the performance of heart disease diagnosis by combining the cochleogram transformation and variable auto-encoder (vae) network

early detection of abnormal heart sounds can largely prevent sudden death caused by heart diseases. a low-cost and non-invasive method for detecting abnormal heart sounds is the use of pcg signal. in this article, after segmenting the heart sound signal, the two-dimensional representation of the signal is obtained by cochleogram transformation, then with the help of deep learning and variable autoencoder network, 4 final features are extracted from each signal. finally, support vector machine and k-nearest neighbor with k-fold validation are used to classify the heart sound signal into one of the predetermined categories of normal and abnormal sound class. in this research, the physionet database, which has 3482 heart sounds from a standard collection, is used to train and evaluate the proposed method. the best results of the proposed method for classifying the two classes of heart sounds are 99.55, 98.75 and 99.70 in terms of accuracy, sensitivity and specificity, which is the higher ability of the proposed method compared to other methods. this abnormal sound detection system can be used very usefully in rural health centers and small hospitals to help doctors without expertise to diagnose heart problems.