تجزیه و تحلیل صداهای قلب مربوط به سیگنال فونوکاردیوگرام (pcg) با استفاده از استخراج ویژگی از طریق mfcc و شبکه یادگیری عمیق unet،unet++

استفاده از صدای اول قلب و صدای دوم قلب که پزشکان در تشخیص و پیشگیری بیماری، از آن به عنوان پارامتر مهم جهت بررسی استفاده می کنند ، می تواند کمک بسزایی در تشخیص بیماری های قلبی داشته باشد ، این سیگنال های pcg برای استخراج مدت زمان چرخه های قلبی متشکل از پیک های متوالی s1 برای تشکیل سیگنال فاصله بین ضربان (ibi) استفاده می شود. در این مقاله سیگنال های صوتی pcg ، با استفاده از ضرایب mfcc ، جهت استخراج ویژگی در تصاویر دو بعدی استفاده می گردد . اخیرا الگوریتم های پیشرفته از جمله ساختار شبکه عصبی یادگیری عمیق unet و unet ++ در تشخیص و تقسیم بندی تصویربرداری پزشکی مانند تومور کبد، تومور مغزی استفاده شده است . بنابراین از هر دو الگوریتم جهت طبقه بندی سیگنال های قلب به صورت سالم و ناسالم ، با کد نویسی پایتون استفاده شده است . نتایج نشان می دهد که الگوریتم unet++ با توجه به اینکه بیشتر در تصاویر سه بعدی و ویدئویی کاربرد است . می تواند جهت تشخیص سیگنال های قلب به صورت سالم و ناسالم با دقت مطلوبی به کاربرده شود .