پردازش سیگنال‌های حیاتی
مرضیه قنواتی؛ سیده فاطمه مولایی زاده؛ مجتبی نویدی
دوره 17، شماره 2 ، شهریور 1402، ، صفحه 150-160
چکیده
فشارخون بالا مهمترین عامل مرگومیر در جهان است. اندازه‌گیری پیوسته فشارخون در سالمندان و افراد با سابقه سکته قلبی، بیماری قلبی عروقی، بیماری کلیوی و فشارخون بارداری بسیار ضروری است. هولترهای فشارخون مبتنی بر کاف به عنوان مرسومترین روش اندازه‌گیری پیوسته فشارخون، به دلیل استفاده از کاف بادی باعث ناراحتی شخص به خصوص در حین ...
بیشتر
فشارخون بالا مهمترین عامل مرگومیر در جهان است. اندازه‌گیری پیوسته فشارخون در سالمندان و افراد با سابقه سکته قلبی، بیماری قلبی عروقی، بیماری کلیوی و فشارخون بارداری بسیار ضروری است. هولترهای فشارخون مبتنی بر کاف به عنوان مرسومترین روش اندازه‌گیری پیوسته فشارخون، به دلیل استفاده از کاف بادی باعث ناراحتی شخص به خصوص در حین خواب میشوند. یک راه حل برای چنین مشکلاتی، اندازه‌گیری فشارخون به روش نوری با استفاده از سیگنال فوتوپلتیسموگرام است. در این پژوهش یک چارچوب یادگیری عمیق انتقالی برای تخمین فشارخون سیستولیک و دیاستولیک بر مبنای یک سیگنال فوتوپلتیسموگرام ارائه شده است. چارچوب پیشنهادی شامل سه بخش اصلی است: 1) کاهش نرخ نمونه‌برداری با ضریب 4 با هدف کاهش پیچیدگی مدل، 2) طراحی یک مدل پیش‌آموزش شامل لایه‌های CNN و BiLSTM و 3) ایجاد مدل شخصی‌سازی‌شده برای هر فرد با استفاده از یادگیری انتقالی. آنالیز بلند آلتمن و همبستگی برای مقایسه روش پیشنهادی با روش کاتتر شریانی (روش استاندارد طلایی برای اندازه‌گیری فشارخون) انجام شد. مدل پیشنهادی بر روی محدوده وسیعی از مقادیر فشارخون 100 بیمار از پایگاه داده MIMIC-III ارزیابی شد. نتایج نشان میدهد خطا و ضریب همبستگی پیرسون برای فشارخون سیستولیک به ترتیب برابر با 38/7±14/0 (انحراف معیار±میانگین) میلی‌مترجیوه و 95/0 و برای فشارخون دیاستولیک برابر با 67/4±00/0 میلی‌مترجیوه و 92/0 است. روش پیشنهادی الزامات استاندارد AAMI، IEEE-1708a و درجه A استاندارد BHS را برآورده میکند. این پژوهش می‌تواند چشم‌انداز روشنی را برای مانیتورینگ بلندمدت فشارخون و پیش‌گیری از رویدادهای قلبی عروقی ترسیم نماید.
پردازش سیگنال‌های حیاتی
داود سعادتی؛ ستار میرزاکوچکی
دوره 16، شماره 4 ، اسفند 1401، ، صفحه 61-70
چکیده
بررسی صدای اندام‌های بدن یکی از روش‌های تشخیص بیماری‌های مختلف است که توسط پزشکان برای تحلیل صداهای عارضه‌ای بکار گرفته میشود، از آنجایی که بیشتر مرگ و میر ناشی از بیماری، در کشورهای فقیری رخ میدهد که کمبود تجهیزات و متخصص دارند، ایجاد روش‌های تشخیصی مبتنی بر یادگیری ماشین و پردازش صوت که علاوه بر دردسترس بودن ، غیرتهاجمی و ارزان ...
بیشتر
بررسی صدای اندام‌های بدن یکی از روش‌های تشخیص بیماری‌های مختلف است که توسط پزشکان برای تحلیل صداهای عارضه‌ای بکار گرفته میشود، از آنجایی که بیشتر مرگ و میر ناشی از بیماری، در کشورهای فقیری رخ میدهد که کمبود تجهیزات و متخصص دارند، ایجاد روش‌های تشخیصی مبتنی بر یادگیری ماشین و پردازش صوت که علاوه بر دردسترس بودن ، غیرتهاجمی و ارزان نیز میباشند با تشخیص زودهنگام میتوانند باعث نجات میلیون‌ها انسان شوند. در مطالعات پیشین غالبا ورودی‌های بازتاب‌کننده‌ی ویژگی‌های فرکانسی صوت مورد استفاده قرار گرفته است، دراین مقاله علاوه بر آن از یک نمایش بازگشتی استفاده میکنیم که ویژگی‌های زمانی صوت را بازتاب میکند و به عنوان ورودی به شبکه‌های کانولوشنی داده میشود تا از مزیت‌های یادگیری انتقالی آن بهره‌مند شویم، با اضافه کردن مکانیزم توجه زمانی و شبکه گیت‌های بازگشتی دوطرفه، توالی داده‌های صوتی که یک سری زمانی است مورد بررسی قرار میگیرد و هر یک از داده‌ها با توجه به ارزشی که دارند وزن‌دهی میشوند. داده‌های استفاده شده در این مقاله از پایگاه داده صدای ریه ICBHI است که در مقاله‌های بسیاری استفاده شده است. روش ارائه شده توانست در طبقه بندی صدای ریه به سه دسته‌ی سالم، بیماری انسداد مزمن ریوی(COPD) و سایر بیماری ها به دقت 97 درصد برسد که نتیجه بهتری نسبت به سایر روش های بکار رفته برای این پایگاه داده میباشد.
