بخشی از مقاله
خلاصه
در این مقاله روشی جدید در شناسایی خودکار بیماریهای قلبی، آریتمیها و یا آسیبهای پاتولوژیکی ناشی از سکته مختلف با استفاده از تحلیل صداهای ضبط شده از قلب معرفی شده که از مدلهای شناسایی الگو در استخراج ویژگی و طیقهبندی سیگنال استفاده شده است. سیستم کارآمد طراحی شده از سه گام پیش پردازش، استخراج و انتخاب ویژگی و طبقهبندی تشکیل شده است.
توصیفگر موجک سبب استخراج ویژگیهای موثری چون چولگی، میانگین، واریانس، آنتروپی و انحراف استاندارد در چهار مرحله شده و سپس با استفاده از آنالیز اجزای اصلی ابعاد بردار ویژگیها کاسته خواهد شد. درگام آخر، از ماشین بردار پشتیبان جهت طبقهبندی وجود یا عدم وجود بیماری قلبی از سیگنال صوتی استفاده میشود و این کار با روش تقسیم داده Hold-out صورت خواهد گرفت.
خروجی بر اساس حالت دو کلاسه و پنج کلاسه تشخیص بیماری پیشنهاد شده و نتایج آن از وضعیت تشخیصی بهینه حکایت دارد. الگوریتم معرفی شده در این زمینه تا حد قابل قبولی میتواند از مشکلات روشهای پیشین در تشخیص بکاهد و راهکار غیرتهاجی مناسبی جهت شناسایی بیماری قلبی محسوب شود.
.1 مقدمه
در سراسر دنیا، بیماریها و امراض قلبی-عروقی به عنوان یکی از دلایل عمده در افزایش میزان مرگ و میر شناخته میشوند. سازمان بهداشت جهانی در سال 2005 آماری را منتشر نمود که در آن تخمین زده شده بود سالیانه جمعیتی بالغ بر 17/5 میلیون نفر در سراسر دنیا بر اثر بیماریهای قلبی و عروقی جان خود را از دست میدهند. این رقم، %30 کل مرگ و میرهای دنیا را به خود اختصاص داده است .[1] از میان این میزان مرگ و میر، تخمین زده میشود که 7/2 میلیون نفر بر اثر انسداد شرائین قلب و 5/2 میلیون نفر بر اثر سکتههای قلبی جان خود را از دست میدهند.
پیشبینی های آماری نشان میدهند که در سال 2030 در حدود 23/6 میلیون نفر بر اثر امراض قلبی جان خود را از دست خواهند داد .
گوش دادن به صدای قلب و تحلیل صحیح عملکرد آن از مهارتهای بسیار سخت محسوب میشود که فرد تنها در صورت داشتن تجربه چند ساله قادر خواهد بود با استفاده از آن صداهای طبیعی و غیر طبیعی را از یکدیگر متمایز سازد. دلیل اصلی این مسئله از آنجا نشأت میگیرد که صداهای مربوط به عملکرد قلب و صداهای تنفس در ریهها دارای طول بازه زمانی کوتاه هستند و از این رو در یک بازه زمانی کوتاه چندین صدای متفاوت از ناحیه قفسه سینه به گوش خواهد رسید. آنگونه که مشخص است، تقریباً %87 افرادی که به دلیل بیماریهای قلبی به مراکز درمانی مراجعه میکنند، روش گوش دادن به صدای قلب را به عنوان یکی از روشهای غیر تهاجمی و ملایم در تشخیص بیماری احتمالی قلمداد میکنند .
استفاده از سیستمهای مبتنی بر محاسبات کامپیوتری و تحلیلهای نرم افزاری میتواند تا حد چشمگیری دقت و صحت تشخیص را افزایش دهد و لیکن مراجعات مکرر بیمار را به مراکز درمانی به حداقل خواهد رساند. شنیدن صداهای قلب معمولاً با استفاده از گوشیهای طبی و یا ضبط از طریق دستگاه فونوکاردیوگراف انجام میشود. فونوکاردیوگراف، دستگاهی است که عملیات ضبط صدا در آن بر اساس نوسانات صوتی ناحیه قفسه سینه در اثر قلب و گردش خون میباشد .این دستگاه اطلاعات مفیدی را از وضعیت گردش خون قلب نیز به همراه دارد و ظرفیتهای ویژهای را از بیماریهای قلب و عروق و امراض مرتبط با آن ارائه میدهد .
با این اوصاف در اندک پژوهشی از سوی محققان، تکیه بر شناسایی و تفکیک سیگنالهای صوتی توام با تشخیص چندکلاسه بیماریهای قلب بوده و تحقیقات موجود در این زمینه با برخی ایرادات در تفسیر همراه هستند. به همین ترتیب میتوان پیشنهاد نمود که سیستم خودکار باید این توانایی را در شناسایی بیماران قلبی شناخته میشود، کارآمد باشد.
.2 تحقیقات پیشین
اخیراً تشخیص بیماریهای قلبی مورد توجه محققین قرار گرفته، لیکن آنالیز مبتنی بر سیگنالهای صوتی شامل برخی پیچیدگیهای ویژه است. به همین سبب برخی محققین تنها به تفکیک وضعیتهای خاص از بیماری قلبی اکتفاء کردهاند و این مسئله سبب میشود تا نوع بیماری ناشناخته بماند. یکی از تحقیقاتی که در سال 2006 از سوی محققین ارائه شد، الگوریتمی بود که صدای اولیه قلب یا S1 را در یک سیکل چرخشی و با جداسازی سیگنال صوتی از محیط و بصورت خودکار فراهم میکرد.[6] آنها از نسبت S1 به S2 بهره بردهاند و به همین علت، امکان تصحیح مکان سیگنال S1 فراهم میگردید. نحوه جداسازی S1 بر اساس تبدیل موجک بوده که خود منجر به تفکیک دو سیگنال مزبور شده است.
استفاده از تبدیل موجک در تحلیل سیگنالهای صوتی قلب کار جدیدی نبوده و برخی دیگر از محققین چون Chebli و همکارانش[7] از تبدیل گسسته آن در سال 2007 بهره بردند. تجزیه ضرایب موجک و طبقهبند رتبهای منجر به دقتهای %89 % 100 و %87 درصد برای سه کلاس حالت طبیعی، سیستولیک و دیاسیستول شد.
جداسازی سیگنالها با استفاده از تجزیه ضرایب موجک و ساخت 4 مولفه S1، S2، دوره انقباض و دوره انبساط کاری بود که توسط Liang و همکارانش[8] انجام شده و در اصل با بکارگیری قاعده انرژی شانون و یک ماسک تعریف شده در واحد زمان، سیگنال و اجزای آن تخمین زده میشد. استخراج ویژگی با موجک و طبقهبند شبکه عصبی منجر به دقت متوسط رو به بالای %85 شده و از سویی عدم قطعیت در کار آنها نامشخص است.
Chung زنجیره پنهان مارکوف اروجودیک*را برای شناسایی سیگنالهای پیوسته صوتی قلب ارائه داد که سیکلهای مختلف این سیگنال را اعم از S1، سیستول، S2 و دیاستول تفکیک مینمود .
یکی از روشهای تشخیص بیماری که توسط Maglogiannis و همکارانش [10] در سال 2009 پیشنهاد شد، روشی بود که از ماشین بردار پشتیبان برای تحلیل سیگنالهای صوتی قلب استفاده مینمود. در این تحقیق، استخراج ویژگی با موجک، طبقهبند ماشین بردار پشتیبان سبب دستیابی به دقت حداکثر %91 شده است
Dokur و همکارانش [11]، ویژگیهای مهمی را برای صداهای ضبط شده در نظر گرفتند که از یک ماسک برای استخراج بهترین ویژگیها بهره میبرد. استخراج ویژگی با طیف توان سیگنال و طبقهبندی توسط شبکههای عصبی منجر به دقت %95 شده است.
طبقهبند چند کلاسی ماشین بردار پشتیبان را محققینی چون 12]؛[14 در ترکیب تحلیل طیف خودبازگشتی جهت دسته بندی صداهی قلبی نظیر مورمور مورد استفاده قرار دادند. آنها نیز عمدتاً یادگیری، نحوه تقسیم دادههای آموزشی و آزمایشی، عدم قطعیت و نویز را کمتر مورد بحث قرار داده بودند و تنها به طبقهبندی و گزارش نتایج آن اکتفاء کرده بودند. به طور معمول دقت طبقهبندی در کار آنها از %75 تا %95 متغیر است.
همچنین Elgendi و همکارانش [15] به ارائه راهکاری در شناسایی آریتمیهای قلبی از سیگنالهای صوتی پرداختند که مختص به یک رنج سنی خاص و آن هم کودکان بود. البته مواردی از کودکان که آنان انتخاب کرده بودند، مواردی با بیماریهای پر تکرار نبود و شامل بیماریهای بطنی قلب از نوع فشار خون بالا در شریان متصل به ریه میبود. نمونه دادهها، شامل کودکانی با رنج سنی از 9 ماه تا 19 سال بوده است و محاسبات جهت دستیابی به ویژگیهای مناسب در حوزه فرکانس صورت پذیرفته است. ضرایب طیفی و آنالیز تفکیک کننده خطی منجر به دقت %89 شده است.
در دو تحقیق در سالهای 2014 و 2015، از سوی Hassani و همکارانش 16]و[17، تفکیک و دستهبندی سیگنال-های S1 و S2 با استفاده از تجزیه و بازسازی موجک مطرح و منتشر شد. آنها بر روی نمونهای از دادهها کار خود را آزمایش نمودند و دقتی معادل %93 را بدست آوردند. همچنین از انرژی شانون ضرایب نیز استفاده کردند تا با دقت بالاتری سیگنال مورد نظر را تشخیص دهند.
Shamsi و همکارش [18] در سال 2015 پیشنهاد کردهاند که بصورت برخط موقعیت صداهای قلبی شناسایی گردد و آنها تفکیک اولیه سیگنالها را بر اساس خوشه بند فازی C-means انجام دادند. از جمله کسانی که به صورت شاخص به تحلیل بیماری قلبی پرداختند، میتوان به کار Reed و همکارانش در سال [19] 2004، Noponen و همکارانش [20]، Akbari و همکارانش [21]، Frank و همکارانش[22]، Patidar و همکارانش [23] اشاره نمود. علیرغم یادگیری در برخی از روشها، دقت کم است، حساسیت و ویژگی به اندازهای نیست که مرز مشخصی از عدم قطعیت حاصل آید و از سویی دقتهای مراحل آموزش و آزمایش وارد نشدهاند. در این روشها سیگنالهای قطعهبندی شده، محدودند و اغلب همپوشانی میان قطعات جدا شده از سیگنال صوتی در تشخیص بیماری لحاظ نشده است.
.3 روش پیشنهادی
در این بخش، راهکار پیشنهادی ارائه میگردد که مشتمل بر استخراج ویژگی، کاهش ابعاد و طبقه بندی بر اساس حالات دو کلاسه و حالات بیشتر از دو کلاس میباشد. در شکل - 1 - روندنمایی به نمایش درآمده است که مراحل الگوریتم پیشنهادی را نمایش میدهد.
