‌بهبود تشخیص ناهنجاری‌های قلبی از طریق استخراج ویژگی از سیگنال صدای قلب با به کارگیری الگوریتم‌های طبقه‌بندی یادگیری ماشین

زمینه و هدف: استخراج اطلاعات از سیگنال صدای قلب و تشخیص سیگنال غیرطبیعی در مرحله اولیه می‌‌تواند نقش حیاتی در کاهش میزان مرگ و میر ناشی از بیماری‌های قلبی عروقی داشته باشد. از این رو، تاکنون پژوهش‌های متعددی در حوزه پردازش این سیگنال‌ها انجام شده است. لذا هدف از این پژوهش تعیین و بررسی بهبود تشخیص ناهنجاری‌های قلبی از طریق استخراج ویژگی از سیگنال صدای قلب با به کارگیری الگوریتم‌های طبقه‌بندی یادگیری ماشین بود. روش بررسی: این یک مطالعه توصیفی تحلیلی می‌باشد که در سال 1402 در دانشگاه آزاد کازرون انجام شد، داده‌های پژوهش از دادگان چالش 2016 فیزیونت انتخاب شدند، پس از پیش پردازش و حذف نویز، 6 ویژگی جدید و 35 ویژگی مورد استفاده در پژوهش‌های پیشین در مجموع 41 ویژگی از سیگنال‌های صدای قلب استخراج شد. 6 ویژگی جدید عبارتند از؛ آشفتگی متوسط ​​نسبی، ضریب اغتشاش دوره پنج نقطه ای، شیمر محلی(برحسب دسی بل)، ضریب اغتشاش دامنه سه نقطه‌ای، ضریب اغتشاش دامنه پنج نقطه ای و همبستگی مرکز جرم زمانی و مرکز جرم فرکانسی. ویژگی‌های استخراج شده به عنوان ورودی به چهار طبقه‌بند شامل؛ جنگل تصادفی، ماشین بردار پشتیبان، k نزدیکترین همسایه و تجزیه و تحلیل افتراق خطی اعمال شد. میزان صحت، حساسیت و اختصاصیت هر یک از طبقه‌بندها محاسبه گردید و به منظور بررسی تاثیر ویژگی‌های جدید در تشخیص ناهنجاری‌های قلبی، نتایج به دست آمده با پژوهش‌هایی که از دادگان و طبقه‌بندهای مشابهی استفاده کرده، ولی ویژگی‌های کمتری از داده‌ها استخراج کرده بودند مقایسه شد. داده‌های جمع‌آوری شده با استفاده از آزمون‌های‌ آماری تی و رگرسیون لجستیک تجزیه و تحلیل شدند. یافته‌ها: بیشترین مقدار صحت و حساسیت، با استفاده از طبقه‌بند تجزیه و تحلیل افتراق خطی به دست آمد که به ترتیب به میزان 91.52 و 96.19 می‌باشد. بیشترین مقدار اختصاصیت نیز در طبقه بند جنگل تصادفی به میزان 88.90 به دست آمد. طبق نتایج به دست آمده، با افزودن ویژگی‌های جدید، سه شاخص صحت، حساسیت و اختصاصیت در دو طبقه‌بند k نزدیک‌ترین همسایه و تجزیه و تحلیل افتراق خطی بهبود می‌یابد. استخراج این ویژگی‌ها هم‌چنین باعث افزایش میزان اختصاصیت در طبقه‌بند جنگل تصادفی می‌گردد. نتیجه گیری: نتایج نشان می‌دهد استخراج ویژگی‌های جدید باعث افزایش میزان صحت، حساسیت و اختصاصیت در تشخیص ناهنجاری‌های قلبی در مقایسه با نتایج پژوهش‌های پیشین شده است. 

improving the diagnosis of cardiac abnormalities through feature extraction from the heart sound signal using machine learning classification algorithms

background & aim: extracting information from the heart sound signal and detecting the abnormal signal in the early stage can play a vital role in reducing the death rate caused by cardiovascular diseases. therefore, many researches have been done in processing these signals up to now. so, this study aimed to determine the improvement of heart abnormalities diagnosis by extracting features from the heart sound signal by applying machine learning classification algorithms.methods: the present descriptive–analytical study was conducted at kazerun azad university in 2023. the research data were selected from the 2016 physionet challenge database. after pre-processing and noise removal, 6 new features and 35 features (41 features) used in previous researches were extracted from the heart sound signals. the 6 new features are relative average perturbation, five-point period perturbation quotient, local shimmer (in db), three-point amplitude perturbation quotient and five-point amplitude perturbation quotient and correlation of time center of signal and frequency center of signal. the extracted features were applied as input to four classifiers of random forest, support vector machine, k nearest neighbor and linear discriminant analysis. accuracy, sensitivity and specificity of each classification were calculated. in order to investigate the impact of new features in the diagnosis of cardiac abnormalities, the results obtained were compared with studies that used similar data and classifications but extracted fewer features from the data. the collected data were analyzed using t-tests and logistic regression.results: the highest accuracy and sensitivity were obtained in the linear discriminant analysis classifier, which are 91.52 and 96.19, respectively. the highest specificity was obtained in the random forest classifier at the rate of 88.90. according to the obtained results, by adding new features, the three indices of accuracy, sensitivity and specificity are improved in the two classifiers of k-nearest neighbor and linear discriminant analysis. extraction of these features also increases the level of specificity in the random forest classification. conclusion: the results indicated that the extraction of new features led to increase in the accuracy, sensitivity and specificity in the diagnosis of cardiac abnormalities compared to the results of previous researches.