روش جدید آنالیز فونوکاردیوگرام به منظور غربالگری بخشی از بیماری‌های قلبی- عروقی با به کارگیری مدل یادگیری عمیق

مقاله پژوهشیمقدمه: بیماری‌های قلبی عروقی، یکی از علل اصلی مرگ و میر در سراسر جهان است. از این‌رو تشخیص زودهنگام بیماری‌های قلبی، ارزیابی سامانه‌ی قلبی عروقی با استفاده از سمع قلب و آنالیز (phonocardiogram) pcg روشی ارزان، غیرتهاجمی، سریع و غربالگری اتوماتیک بیماران قلبی عروقی توسط آن در نواحی دور افتاده از اهمیت بسزایی برخوردار می‌باشد. هدف از این پژوهش، ارایه‌ی روشی جدید جهت غربالگری بیماران قلبی مبتنی بر پردازش سیگنال pcg است که در عین ارزان و سریع بودن، دارای صحت کافی باشد.روش‌ها: در این مطالعه برای غربالگری 2062 سیگنال برچسب خورده‌ی pcg، با استخراج ویژگی‌های جدید و به کارگیری آن‌ها در شبکه‌های 1 رندوم فارست (random forest)، 2 کا نزدیک‌ترین همسایگی (knearest neighbors)، 3 درخت تصمیم‌گیری (decision tree)، 4 آنالیز افتراق خطی (linear discriminant analysis)، 5 رگرسیون لجستیک (logistic regression) و 6 شبکه‌ی عصبی عمیق (deep neural network)، شش مدل مختلف ساخته شد و هر کدام از آن‌ها به روش اعتبارسنجی متقابل کا (10 = k) مورد ارزیابی قرار گرفت. دادگان تست به مدل‌های مذکور اعمال گردید و بر اساس خروجی آن‌ها سه شاخص صحت، حساسیت و ویژگی با هدف تدوین راهکاری نوین در غربالگری و تمایز بیماران قلبی از افراد سالم با استفاده از pcg محاسبه شد.یافته‌ها: ارزیابی بر روی مدل‌های مذکور با محاسبه‌ی سه شاخص مذکور 5 بار تکرار و مقادیر میانگین و واریانس آن‌ها محاسبه گردید. بالاترین مقدار حساسیت مربوط به شبکه‌ی عصبی عمیق با مقدار حساسیت و ویژگی 14/0 ± 4/96 و صحت 11/0 ± 4/93 می‌باشد.نتیجه‌گیری: تمایز ویژگی‌های جدید به همراه موفقیت شبکه‌ی عصبی عمیق، پیشنهادی، در تمایز بین pcg افراد سالم از بیماران، نشان‌دهنده‌ی کارآمد بودن الگوریتم پیشنهادی می‌باشد. با استفاده‌ی همزمان از چند طبقه‌بند با به کارگیری قاعده‌ی رای‌گیری می‌توان روش را ارتقا بخشید.

A New Approach of Phonocardiogram Analysis for Screening Some of Cardio-vascular Diseases Based on Deep Learning

Background: Cardiovascular diseases are one of the leading causes of death worldwide. Therefore, early diagnosis of heart disease, evaluation of cardiovascular system using cardiac hearing and Phonocardiogram (PCG) analysis which is a low cost, noninvasive, rapid method, and automatic screening of cardiovascular patients in remote areas is crucial. The aim of this study is to present a new method for screening heart patients based on signal processing (PCG) that is cheap and fast and has sufficient accuracy.Methods: In this study, for screening 2062 labeled PCG signals, by extracting new features and applying them in 1 Random forest network 2 Knearest neighbors 3 Decision tree 4 Linear discriminant analysis 5 Logistic regression and 6 Deep neural network, six different models were constructed and each of them was evaluated by k fold crossvalidation method (K = 10). The test data were applied to the mentioned models and based on the outputs of these models, three indicators of accuracy, sensitivity and specificity were calculated. We showed and developed a new solution in differentiating and screening some heart patients from healthy individuals using PCG analysis.Findings: Evaluation on the mentioned models was calculated by the three indicators, repeated 5 times and their mean and variance values were calculated. The highest sensitivity value is related to deep neural network (DNN) with sensitivity of 96.4 ± 0.14 and accuracy of 93.4 ± 0.11.Conclusion: The new differential features along with the success of the proposed deep neural network in differentiating and screening between PCGs of healthy individuals and heart patients, shows the efficiency of the proposed algorithm. This method can be further improved with simultaneous multimodal classifier and the application of the voting rule.