طراحی و بررسی کارایی سیستم هوشمند جداسازی و طبقه بندی آریتمی های موجود در سیگنال های صوتی قلب با استفاده از فیلتر تطبیقی و شبکه عصبی چند لایه پس انتشار (mlp-bp)

خسرو رضایی، khosro rezaee دکتر جواد حدادنیا، javad haddadnia khorasan razavi, sabzevar, hakim sabzevari university, electrical and computer engineering department, biomedical group; phone: +98 571 4003587, fax: +98 571 4002174, mobile: +98 9185214681دانشگاه علوم پزشکی سبزوار، مرکز تحقیقات نوین پزشکی، تلفن: 4003587 (0571)، نمابر: 4002174 (0571)، تلفن همراه: 09151710649؛

چکیده

سابقه و هدف: شنیدن سیگنال های صوتی قلب یکی از روش های غیر تهاجمی و در عین حال آسان در تشخیص بی نظمی های عملکردی قلب انسان محسوب می شود که تحلیل صحیح آن، به دانش و تجربه ی پزشک متخصص نیاز دارد. هدف این مقاله، طراحی و پیاده سازی یک سیستم هوشمند در جداسازی و طبقه بندی آریتمی های موجود در سیگنال های صوتی قلب است. مواد و روشها: این پژوهش در مرحله ی نخست به صورت اکتشافی و در مرحله ی دوم، به صورت تجربی پیاده سازی شده است. در گام اول، سیگنال های صوتی قلب از طریق دستگاه ضبط کننده ی صداهای قلبی (pcg) به دست آمدند. داده ها از 41 داوطلب به صورت آگاهانه و غیر مداخله ای در طول یک ماه، از مرکز مطالعات بالینی قلب و عروق بیمارستان واسعی شهر سبزوار، به صورت نرمالیزه شده دریافت شدند. با آزمایش نمونه های مورد مطالعه، 104 سیگنال طبیعی و 60 سیگنال صوتی غیر طبیعی قلب از مجموع افراد گردآوری شد. در مرحله ی پردازش اولیهی داده ها، با استفاده از فیلتر تطبیقی، نویزها و اختلالات محیطی، از سیگنال صوتی جداسازی می شوند. سپس با اعمال تبدیل cwt به داده ها، فرایند استخراج ویژگی بر اساس سیکل های قلبی سیگنال صوتی صورت گرفته و در نهایت بردارهای ویژگی 32 گانه موجک با استفاده از ضرایب جزئی، تشکیل می شود. طبقه بندی نهایی سیگنال های صوتی طبیعی و غیر طبیعی قلب، با استفاده از شبکه ی عصبی چند لایه پرسپترون و به صورت پس انتشار (mlp-bp) صورت می پذیرد. 70% داده ها در آموزش شبکه ی عصبی پیشنهادی و 30% آنها برای آزمایش شبکه mlp-bp به کار گرفته شدند. یافته ها: پیاده سازی مرحله های جداسازی و طبقه بندی سیگنال های صوتی با استفاده از 15 بیمار قلبی که شامل 10 مرد و 5 زن با میانگین سنی 7/561 سال و 26 فرد سالم که شامل 19 مرد و 7 زن با میانگین سنی 7/85/56 سال انجام گرفت و مشاهده شد که به ترتیب دقت های 5/190/96 درصد و 94 درصد در خروجی الگوریتم حاصل آمدند. عملکرد قابل قبول سیستم، بر اساس طراحی دقیق نرم افزاری بوده و به همین دلیل کارایی مناسبی را در عمل به همراه دارد. نتیجه گیری: بر مبنای قابلیت اطمینان به خروجی نرم افزار در طبقه بندی صحیح سیگنال های صوتی قلب و به دلیل انطباق بالای تشخیص در مرحله ی اکتشاف با تشخیص در واقعیت، امکان پیاده سازی این سیستم در بخش های بیمارستانی وجود داشته و انجام آن را توجیه می کند.