قطعه بندی سیگنال فونوکاردیوگرام استخراج مدل دینامیکی بر اساس ویژگی های زمان- فرکانس

چکیده:

بیماریهای قلبی یکی از اصلیترین علل مرگومیر در جهان هستند. ثبت صدای قلب از جمله روشهای
غیرتهاجمی برای بررسی وضعیت قلب است. این سیگنال شامل دو صدای اصلی S1و صدای دوم S2است.
سیگنال PCGو ECGبه ترتیب فعالیت مکانیکی و الکتریکی قلب را منعکس میکنند. تشخیص برخی
بیماریهای مربوط به دریچههای قلب با سیگنالهای ECGامکانناپذیر است. در دید کلی قطعهبندی سیگنال
PCGبه دو روش، قطعهبندی مستقل و قطعهبندی با سیگنال کمکی بهویژه ECGصورت میگیرد. استفاده
همزمان از دو سیگنال PCGو ECGبرای قطعهبندی چالشهایی دارد بهخصوص در نوزادان تازه متولد شده،
دریافت سیگنال ECGبا مشکلاتی روبهرو است. همچنین برای فعالیتهای پژوهشی، یافتن پایگاه داده مناسب
کار آسانی نیست. از طرفی با وجود نویزها، قطعهبندی PCGبدون استفاده از ECGیک کار پیچیده و
چالشبرانگیز است. در این پژوهش قصد داریم بدون استفاده از سیگنال کمکی، با استفاده از تبدیل فوریه زمان
کوتاه پوش سیگنال را استخراج کنیم و با دو رهیافت مبتنی بر یادگیری ماشین و آستانهگذاری، محل صداهای
اصلی قلب را پیدا کنیم. در نهایت با روش پیشنهادی شامل حذف بخشهای کم دامنه و ناپیوسته صدا، شروع
و پایان صداهای اصلی قلب را استخراج میکنیم. در تشخیص محل صداهای اصلی قلب مبتنی بر یادگیری
ماشین از پایگاه داده پاسکال برای آموزش طبقهبندها استفاده گردید و بر روی یک ششم گروه eپایگاه داده
چالش ۲۰۱۶فیزیونت تست شد که بهترین نتیجه مربوط به طبقهبند بیز ساده با صحت ۷۸/۳۸درصد و F1
برابر ۸۷/۸۸درصد میباشد. در تشخیص محل صداهای اصلی قلب در روش مبتنی بر آستانهگذاری در این
پایگاه داده بهترین نتایج مربوط به ۰/۷میانگین پوش سیگنال بهعنوان آستانه، با صحت ۹۷/۷۵درصد با F1
برابر ۹۸/۸۶درصد میباشد. شروع صداهای اصلی قلب استخراج شده دارای صحت ۹۶/۲۴درصد و F1برابر
۹۸/۰۸درصد میباشد همچنین پایان صداهای اصلی استخراج شده دارای صحت ۸۷/۵۷درصد و F1برابر
۹۳/۳۷درصد میباشد