نوع مقاله : مقاله کامل پژوهشی
نویسندگان
1 استادیار، گروه مهندسی سیستم و مکاترونیک، دانشکده علوم و فنون نوین، دانشگاه تهران، تهران
2 دانشجوی کارشناسی ارشد، گروه بیوالکتریک، دانشکده مهندسی پزشکی، دانشگاه آزاد تبریز، تبریز
چکیده
در مقاله حال حاضر، با آنالیز سیگنالهای صوتی قلب به طراحی الگوریتمی ترکیبی پرداخته شده که متشکل از استخراج ویژگی بر اساس تکنیک آشوب، کاهش ابعاد توسط آنالیز اجزای اصلی و دسته بندی خروجیها با اتکاء بر شبکههای عصبی-فازی تطبیقی میباشد. عدم قطعیت و خطای بالا در تشخیص روزنه بین بطنی از عدیده مشکلات روشهای پیشین است که در این زمینه مطرح بوده و به سبب اهمیت تشخیص خودکار این عارضه قلبی، نیاز است تا طراحی وفقی و به دور از بروز خطا باشد. انتقال فضای ویژگیها با نگاشت آنها توسط الگوریتم آنالیز اجزای اصلی در دو گام، با انتخاب تعداد 18 تا 25 ویژگی از میان حدود 50 ویژگی استخراج شده، ورودی طبقهبندی پیشنهادی را میسازد. طبقه بند پیشنهادی، سیستم شبکه عصبی فازی تطبیقی با امکان پیشبینی بروز بیماری قلبی است که با ورود دادهها، در تعداد تکرارهای محدود در سطح قابل قبولی خروجیها را پیشبینی مینماید. دادهها از پایگاه دادهUmichدانشگاهمیشیگاندریافت شده و شامل نمونههای از بیماری روزنه بین بطنی است. نسبت تقسیم دادهها در مرحله یادگیری و آزمایش، 9/0 به 1/0 (ارزیابی متقاطع) است و از شیوه اعتبارسنجی K-fold استفاده شده است. محاسبه معیارهایی چون دقت، حساسیت و نیز عدم قطعیت توسط مفهوم آنتروپی در الگوریتم ترکیبی حاکی از عملکرد مناسب روش پیشنهادی است.
کلیدواژهها
موضوعات
عنوان مقاله [English]
Adaptive Detection of Defects in the Ventricular Heart Disease: A Model with the Possibility of Automatic Analysis of Audio Signals through the Heart
نویسندگان [English]
- Alireza Rezaei 1
- Sara Belbasi 2
1 Assistant Professor, System and Mechatronic Group, Faculty of New Sciences and Technologies, University of Tehran, Tehran, Iran
2 M.Sc. Student, Biomedical Engineering, Islamic Azad University, Tabriz, Iran
چکیده [English]
In this paper, a hybrid algorithm has been developed by analyzing the audio signals of the heart, that consists of extracting features based on chaos technique, reducing dimensions and analyzing the main components and classifying outputs by relying on comparative neuro-fuzzy networks. Uncertainty and high error in the diagnosis of inter-ventricular openings are one of the common problems with the previous methods. Due to the importance of the auto-diagnosis of this heart condition, it is necessary to be well-designed and far from error. Transmission of feature spaces to their mapping by the main component analysis algorithm is made by two steps, selecting the number of 18 to 25 attributes among about 50 extracted attributes that these informations are input of the class. The proposed classification classifies the adaptive fuzzy neural network system with the possibility of predicting the incidence of heart disease, which predicts the number of repetitions at the acceptable level of outputs by entering the data. The data are from the Umich database at the University of Michigan and include samples from the ventricular aperture. The ratio of data split in the learning and testing phase is from 0.9 to 0.1 (cross-check), and the K-fold validation method is used. Calculation of criteria such as accuracy, sensitivity and uncertainty by the concept of entropy in a hybrid algorithm suggests the proper performance of the proposed method.
کلیدواژهها [English]
- Disease between ventricular aperture
- automatic detection
- chaos characteristics
- principal component analysis and adaptive fuzzy neural network system