نوع مقاله : مقاله کامل پژوهشی

نویسندگان

• پرستو صادقی نیا ¹
• حامد داننده حصار ²

¹ دانشکده مهندسی پزشکی، دانشگاه صنعتی سهند تبریز، تبریز

² دانشگاه صنعتی سهند تبریز/ دانشکده مهندسی پزشکی

چکیده

سیگنال‌های فونوکاردیوگرافی (PCG)، اطلاعات ارزشمندی را در مورد عملکرد دریچه‌های قلبی دارند. ازاین‌رو، این سیگنال‌ها در تشخیص زودهنگام بیماری‌های قلبی می‌توانند مفید واقع شوند. طبقه‌بندی خودکار صدای قلب، دارای پتانسیل امیدوارکننده‌ای در آسیب‌شناسی قلبی است. در این پژوهش، روشی خودکار برای تشخیص صداهای طبیعی از غیرطبیعی قلب پیشنهاد گردیده است. در روش پیشنهادی ابتدا صداهای قلبی به چهار بخش صدای S1، S2، سیستول و دیاستول قطعه‌بندی می‌گردند. سپس ویژگی‌های زمانی آماری و زمانی فرکانسی از هرکدام از این بخش‌ها استخراج می‌گردد. قبل از عملیات طبقه‌بندی داده‌ها، از دو رهیافت برای انتخاب ویژگی‌های مؤثر استفاده‌شده است. در رهیافت اول، انتخاب ویژگی با استفاده از الگوریتم بهینه‌سازی ازدحام ذرات (PSO) و در رهیافت دوم با استفاده از جستجوی سلسله مراتبی (SFFS) انجام می‌گردد. روش پیشنهادی بر روی پایگاه داده چالش 2016 فیزیونت ارزیابی گردید و در نهایت عملکرد روش پیشنهادی با استفاده از روش اعتبارسنجی متقابل10لایه‌ای مورد ارزیابی قرار گرفت. همچنین، به علت نامتوازن بودن تعداد صداهای طبیعی نسبت به صداهای غیرطبیعی، از تکنیک بیش‌نمونه‌برداری اقلیت مصنوعی (SMOTE) برای تولید مجموعه داده‌های متعادل استفاده گردید. نتایج ارزیابی روی پایگاه داده فوق‌الذکر نشان دادند که روش پیشنهادی دارای صحت 03/98 درصد، حساسیت 64/97 درصد و اختصاصیت 43/98 درصد در تشخیص صداهای طبیعی از غیرطبیعی می‌باشد.

کلیدواژه‌ها

• فونوکاردیوگرام
• الگوریتم بهینه‌سازی ازدحام ذرات
• انتخاب ویژگی
• طبقه‌بندی

موضوعات

• پردازش سیگنال‌های حیاتی

عنوان مقاله [English]

Classification of Normal and Abnormal Heart Sounds Using Machine Learning Techniques

نویسندگان [English]

• Parastoo Sadeghinia ¹
• Hamed Danandeh Hesar ²

¹ Faculty of Biomedical Engineering, Sahand University of Technology, Tabriz, Iran

² Faculty of Biomedical Engineering/,Sahand University of Technology, Tabriz, Iran

چکیده [English]

Phonocardiography (PCG) signals provide valuable information about the heart valves .These auditory signals can be useful in the early diagnosis of heart diseases. Automatic heart sound classification has a promising potential in the field of heart pathology. In this research, a new method based on machine learning techniques is proposed for discriminating normal and abnormal heart sounds. In this method, first, the heart sounds are segmented into 4 main parts: S1, S2, systole and diastole segments. From these segments, statistical and time-frequency features are extracted for classification. Before classification, the distinctive features are selected using two approaches. In the first approach, the feature selection is accomplished using particle swarm optimization algorithm (PSO). In the second approach, we use Sequential Forward Feature Selection (SFFS) method. The proposed method was evaluated on the Physionet 2016 Challenge database using 10-fold cross-validation method. In this database, the number of normal and abnormal PCG signals are not balanced. Therefore, in this paper, the synthetic minority over-sampling technique (SMOTE) is applied to produce balanced data. The evaluation results showed that the proposed method can distinguish the normal heart sounds from abnormal ones with accuracy of 98/03% and sensitivity and specificity of 97.64%, 98.43%respectively.

کلیدواژه‌ها [English]

• Phonocardiogram
• Particle Swarm Optimization Algorithm
• Feature Selection
• Classification