طبقه‌بندی صداهای طبیعی از غیرطبیعی قلب با استفاده از ترکیب الگوریتم‌های فرا‌ابتکاری و یادگیری ماشین
چکیده:
بیماری‌های قلبی عروقی، امروزه به‌عنوان یکی از مهم‌ترین عوامل تهدیدکننده سلامتی انسان‌ها شناخته شده‌است و از جمله مهم‌ترین عامل‌های مرگ و میر در جامعه هستند. بسیاری از بیماری‌ها و ناهنجاری‌های قلبی با استفاده از تکنیک‌های شنیداری، قابل تشخیص و ارزیابی می‌باشد. گوش دادن به صدای قلب یکی از اولین روش‌های کاربردی برای تشخیص بیماری‌های قلبی بوده‌است. در عصر جدید نیز با استفاده از کامپیوتر، این روش به‌عنوان یک راه‌حل ارزان قیمت و غیرتهاجمی برای بررسی بیماری‌های قلبی توسعه یافته‌است. سیگنال‌های فونوکاردیوگرافی (PCG)، اطلاعات ارزشمندی را در مورد عملکرد دریچه‌های قلبی در هنگام ضربان قلب دارند. از این‌رو، این سیگنال‌ها در تشخیص زود هنگام بیماری‌های قلبی می‌توانند مفید واقع شوند. طبقه‌بندی خودکار صدای قلب، دارای پتانسیل امیدوارکننده‌ای در آسیب شناسی قلبی است که می‌تواند به عنوان یک روش غربالگری سریع آسیب شناسی قلب، مورد استفاده قرار بگیرد. در این پژوهش، روشی خودکار برای تشخیص صداهای طبیعی از غیرطبیعی قلب پیشنهاد گردیده‌است. در روش پیشنهادی ابتدا صداهای قلبی به چهار بخش صدای s1 ، s2 ، سیستول و دیاستول قطعه‌بندی می‌گردند. سپس ویژگی‌های زمانی آماری، زمانی فرکانسی از هرکدام از این بخش‌ها استخراج می‌گردد. قبل از عملیات طبقه‌بندی داده‌ها، از دو رهیافت برای انتخاب ویژگی‌های موثر استفاده شده‌است. در رهیافت اول، انتخاب ویژگی با استفاده از الگوریتم بهینه‌سازی ازدحام ذرات (PSO) و در رهیافت دوم با استفاده از جستجوی رو به جلو (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 قرارگرفت. 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 فوق الذکر نشان دادند که روش پیشنهادی دارای صحت 03/98%، حساسیت 64/97%و اختصاصیت 43/98% در تشخیص صداهای طبیعی از غیرطبیعی می‌باشد.