بخشی از مقاله
چکیده
در این پژوهش به تشخیص بیماری آنفلوانزای پرنده از روی سیگنال صدا پرداخته شده است. بدین منظور جوجههای مرغ ابتدا به دو دسته تقسیم شدند. یک گروه با استفاده از ویروس آنفلوانزای H9N2 به صورتی قطره چشمی آلوده گردید و با استفاده از یک میکروفن و کارت صدا برداری به ضبط صدای جوجهها پرداخته شد. سیگنالهای صدای حوزه زمان با استفاده از تبدیل موجک گسسته - DWT - به حوزه زمان-فرکانس انتقال داده شدند . از هر کدام از ضرایب تقریب و جزییات سطح دوم تبدیل موجک تعداد 25 ویژگی استخراج گردید. ماشین بردار پشتیبان - SVM - و شبکه عصبی مصنوعی - ANN - به عنوان طبقه بند مورد استفاده قرار گرفتند. عملکرد طبقهبند در 12 ساعت اول و دوم بعد از تلقیح ویروس با استفاده از پارامترهای Specificity، Sensitivity و دقت طبقهبند مورد ارزیابی قرار گرفت. در این پژوهش عملکرد و کارایی ماشین بردار پشتیبان در تشخیص و طبقهبندی بیماری بهتر از شبکه عصبی مصنوعی بدست آمد. با استفاده از این روش بیماری آنفلوانزا در 12 ساعت دوم بعد از تلقیح ویروس با دقت %100 تشخیص داده شد.
کلید واژه- پردازش سیگنال، تبدیل موجک گسسته، ماشین بردار پشتیبان، شبکه عصبی مصنوعی، بیماری آنفلوانزا.
-1 مقدمه
بیماری آنفلوانزای طیور یکی از بیماریهای واگیردار تنفسی ویروسی طیور است که دارای قدرت انتشار سریع میباشد. ویروسهای آنفلوانزا متعلق به خانواده ارتومیکسوویریده و جنس آنفلوانزا ویروس هستند. این ویروسها بر اساس خصوصیات آنتی ژنتیکی پروتئینهای داخلی و پروتئینهای ماتریکس به 5 جنس تقسیم میشوند که از این بین، آنفلوانزای ویروس جنس A از لحاظ بیماری زایی دارای اهمیت یشتری هستند. این جنسها خود بر اساس خصوصیات آنتی ژنتیکی پروتئین هماگلوتینین به 16 تیپ و بر اساس خصوصیات آنتی ژنتیکی پروتئین نروآمینیداز به 9 تیپ تقسیم میشوند. هر ویروس یک آنتیژن H و یک آنتیژن N دارد. تحت تیپ H16، که در سال 1999 در سوئد و هلند از مرغ دریایی سر سیاه جدا شده و در سال 2005 برای اولین بار گزارش شده است، جدیدترین تیپ ویروسهای آنفلوانزای جنس A میباشد .[1]
بر اساس شدت بیماریزایی در پرندگان اهلی نیز ویروسهای آنفلوانزا به دو دسته ویروسهای دارای حدت بیماریزایی زیاد - HPAI - و ویروسهای دارای حدت بیماریزایی کم - LPAI - تقسیم میشوند .[2] امروزه ویروسهای آنفلوانزا تحت تیپ H9N2 در گلههای طیور اهلی سراسر دنیا در حال چرخش هستند .[7-3]با وجود اینکه این تیپ آنفلوانزای طیور حدت زیادی ندارد اما این ویروسها به پستانداران از جمله انسان نیز انتقال یافتهاند .[8 ,5] تیپ H9N2 ویروس آنفلوانزا برای اولین بار در سال 1966 در شمال امریکا از بوقلمون جدا شد. در سال 1998 ویروسهای H9N2 در هنگ کنگ از خوکهای اهلی جدا شدند و یک سال بعد از دو کودک که علائم یک بیماری تبدار تنفسی معمولی را نشان میدادند جدا گردیدند .[9-7] پنج مورد دیگر گزارش ابتلاء انسان به آنفلوانزا ناشی از تیپ H9N2 در جنوب چین وجود دارد .[5]
این ویروس در ایران نیز برای اولین بار در خرداد ماه 1377 - 1998 - توسط وصفی مرندی و همکاران از یک واحد پرورش مرغ تخمگذار در استان تهران جدا و تحت عنوان A/Chicken/Iran/259/1998 نامگذاری گردید .[10] از آن سال تا کنون این ویروس تلفات زیاد و خسارات سنگینی بر صنعت مرغداری ایران وارد نموده است .[2]عوامل مختلفی از جمله بیماری، ضعف و گونه در سیگنال صوتی منتشره از پرندگان موثر است. پژوهشهای متفاوتی در زمینه سیستمهای زیستی بر اساس روشهای هوش مصنوعی و دادهکاوی صورت پذیرفته است. آسودو و کورادا - 2009 - به منظور تشخیص و طبقهبندی خودکار 3 گونه پرندگان و 9 قورباغه از روی کمینه و بیشینه فرکانس، طول صدا و بیشینه توان، از ماشین بردار پشتیبان استفاده کردند. در این پژوهش به منظور بررسی بیشتر، از درخت تصمیم و آنالیز جداساز خطی نیز استفاده شد که ماشین بردار پشتیبان توانست با دقت %95 به طبقهبندی بپردازد.
موسوی علیزاده و همکاران در سال 1392 با استفاده از شبکه عصبی مصنوعی و با دقت % 93/2 به تشخیص امراض دریچهی قلب انسان بر اساس سیگنال PCG پرداختند. آنها بر اساس تبدیل موجک دابچی مرحله چهارم و استفاده از ضرایب تقریب و جزییات به استخراج ویژگیهای سیگنال مبادرت ورزیدند و تشخیص بیماری را به وسیله شبکه عصبی پرسپترون دو لایه انجام دادند.[11]تشخیص سریع این بیماری و اندیشیدن چاره به منظور درمان و یا معدوم کردن گلههای بیمار، میتواند سبب جلوگیری از شیوع بیماری شده و مرغدار را متحمل خسارات اقتصادی فراوانی نگرداند. در این پژوهش روشی مبتنی بر هوش مصنوعی و پردازش سیگنال به منظور تشخیص سریع و موثر بیماری آنفلوانزای پرنده از روی سیگنالهای صدا مورد بررسی قرار گرفته است. صدای جوجههای سالم و بیمار ضبط شده با استفاده از تبدیل موجک گسسته در حوزه زمان-فرکانس مورد تحلیل قرار گرفتند. پارامترهای آماری به عنوان ویژگی از سیگنالهای صدا استخراج شدند و بهترین ویژگیها انتخاب گردیدند تا از آنها به عنوان ورودی ماشین بردار پشتیبان و شبکه عصبی مصنوعی استفاده شود.
-2 مواد و روشها
آزمایشات مربوط به این پژوهش در تیر ماه 1394 در دانشکده کشاورزی دانشگاه تربیت مدرس تهران بر روی 30 جوجه گوشتی انجام شد. جوجهها به دو دسته تقسیم شدند: دسته اول که تا پایان پژوهش با ویروس تماس نداشتند و به عنوان نمونههای سالم شاهد در نظر گرفته شدند و دسته دوم به وسیله ویروس آنفلوانزا و از طریق قطره چشمی آلوده گردیدند. بدین ترتیب %50 جوجهها به عنوان نمونههای سالم و %50 دیگر به عنوان نمونههای بیمار در نظر گرفته و در قفسهای جداگانه جای داده شدند. فرآیند ضبط صدای جوجهها، 12 ساعت بعد از تلقیح ویروس صورت پذیرفت. صداهای ضبط شده به صورت wav ذخیره شدند و توسط نرم افزار MATLAB 2015a در حوزه زمان-فرکانس مورد پردازش واقع شدند. شکل 1 مراحل صورت گرفته در این پژوهش به منظور تشخیص بیماری آنفلوانزای پرنده را بر اساس سیگنال صدا و روشهای هوش مصنوعی نشان میدهد.
-1-2 پردازش سیگنال
-1-1-2 تبدیل موجک گسسته
سیگنالهای برداشته شده توسط حسگرهای صدا ابتدا در حوزه زمان هستند. سیگنالهای حوزه زمان دارای اهمیت ویژهای میباشند. در واقع هر گونه آنالیز ثانویه و داده کاوی بر اساس سیگنالهای این حوزه صورت میپذیرد. اما از سیگنالهای حوزه زمان نمیتوان به ماهیت فرکانسی سیگنال پی برد؛ بنابراین به منظور دستیابی به ماهیت دورهای یک سیگنال به پردازش آن در حوزه فرکانس نیاز است .[12] علاوه بر آن در برخی موارد محتوای فرکانسی یک سیگنال اطلاعات بهتری را به منظور شناسایی آن سیگنال در اختیار قرار میدهد .[13] روش تبدیل فوریه سریع در پردازش سیگنالهای ناپایدار که فرکانس آنها در طول زمان تغییر میکند خوب عمل نمیکند [14] و این عیب ناشی از آن است که در تبدیل فوریه سریع شفافیت زمانی صفر است .[15]
از طرفی تحلیلهای فرکانسی و زمانی هیچ کدام به تنهایی قادر به ارائه همزمان اطلاعات فرکانسی و زمانی از یک سیگنال نیستند؛ بنابراین لازم است که به هر دوی اطلاعات حاصله از سیگنال در حوزه زمان و فرکانس توجه نمود. تبدیل موجک گسسته یک تحلیل دو بعدی سیگنال به منظور رسیدن همزمان به شفافیت زمانی و فرکانسی میباشد و روشی بسیار موثر در پردازش سیگنال محسوب میگردد. در تبدیل موجک با تمامی مولفههای فرکانسی یک سیگنال مانند تبدیل فوریه سریع یکسان رفتار نمیشود بلکه هدف اصلی تبدیل موجک ارائه شفافیت زمانی دقیق و فرکانسی نادقیق برای تغییرات تند و سریع؛ و شفافیت فرکانسی دقیق و زمانی نادقیق برای تغییرات کند و آهسته است .[16] تبدیل موجک در آنالیز سیگنالهایی که دارای نویز می باشند با توجه به ماهیت حذف ذاتی موج دارای مزیت میباشد .[17]
به منظور پردازش سیگنالها در حوزه زمان- فرکانس از دو نوع تبدیل موجک پیوسته و گسسته استفاده میشود. از آنجا که یک سیگنال پیوسته دارای بی نهایت مقدار است که وارد کردن آنها به فرمول تبدیل موجک دشوار و نیازمند محاسبات پیچیده میباشد، برای نیل به قابلیت بارگذاری و کدگذاری تبدیل موجک بر روی رایانه از تبدیل موجک گسسته - DWT - استفاده میشود. DWT توسط فرمول زیر تعریف می-گردد :[18]کمیت در رابطه 1 ، تابعی است که دارای طول معین، میانگین صفر، رفتار نوسانی، کاملاً میرا و وظیفه پنجره بندی سیگنال را بر عهده دارد. در واقع کمیت که موجک مادر نام دارد، الگویی است جهت بازسازی سیگنال اولیه. با استفاده از تبدیل موجک گسسته، یک سیگنال به دو مولفه فرکانس پایین و فرکانس بالا تقسیم بندی میشود.
رابطه 1 به صورت دو فیلتر بالاگذر و پایین گذر، سیگنال را به تقریبها و جزییات تجزیه مینماید. در تبدیل موجک گسسته، تقریب معرف شکل اصلی سیگنال است و جزییات بیانگر محدودههای فرکانس بالای نهفته در سیگنال اصلی هستند .[16] بسیاری از تحقیقات به عملکرد موفقیتآمیز تبدیل موجک گسسته در سیستمهای زیستی اشاره کردهاند.[20 ,19] در این پژوهش از موجک مادر خانواده دابچی نوع اول به منظور پردازش سیگنالها در دو سطح استفاده شده است. انتخاب سطح موجک با استفاده از سعی و خطا صورت پذیرفت. شکل 2 معرف یک تبدیل موجک گسسته تا 2 مرحله است.
-2-2 داده کاوی
سیگنالهای خام دارای ابعاد بزرگی هستند و امکان استفاده مستقیم از آنها در روشهای طبقهبندی هوشمند مانند شبکه عصبی مصنوعی و ماشین بردار پشتیبان وجود ندارد؛ بنابراین ضروری است که به نحوی اطلاعات مورد نیاز از علامتهای خام استخراج شود. به فرآیند استخراج اطلاعات پنهان از محتوای یک سیگنال خام، داده کاوی گفته میشود.
-1-2-2 استخراج ویژگی
ضرایب تبدیل موجک - یا خروجی هر سیگنال پردازنده دیگر - نمیتوانند به صورت مسقیم به عنوان ورودی طبقهبند مورد استفاده قرار گیرند. چرا که این مقادیر گروه بسیار بزرگی از دادههای خام را در بر میگیرند و تعبیر ریاضی- فیزیکی خاصی نیز ندارند. توابع ویژگی توابعی هستند که هر کدام به نوبه خود حالتی از یک سیگنال را بیان میکنند و حاوی اطلاعاتی هستند که به عنوان ورودی طبقهبند از آنها میتوان بهره جست. این ویژگیها بر روی سیگنالهای پردازش شده در حوزه زمان-فرکانس - تبدیل موجک گسسته - تعریف میشوند و به منظور بررسی دقیقتر رفتار سیگنالهای صدا مورد استفاده قرار می-گیرند .[22 ,21]
-2-2-2 انتخاب ویژگی
انتخاب ویژگی بایستی از دو جنبه کیفی و کمی بودن مورد توجه باشد. انتخاب تعداد فراوان توابع ویژگی سبب سردرگم شدن طبقهبند میگردد و طبقهبند نمیتواند بین دو گروه ویژگی استخراج شده از دو طبقه سیگنال، تمایزی قائل شود .[23] کیفیت ویژگی از آن جنبه حائز اهمیت است که ویژگی انتخاب شده بایستی برای شناسایی سیگنال مفید باشد. در این پژوهش از روش IDE به منظور انتخاب بهترین ویژگیها استفاده شده است .[22]
