روش جدید آنالیز فونوکاردیوگرام به منظور غربالگری بخشی از بیماریهای قلبی- عروقی با به کارگیری مدل یادگیری عمیق
نویسندگان
1 دانشجوی دکترای مهندسی پزشکی، گروه مهندسی پزشکی (بیوالکتریک)، کمیتهی تحقیقات دانشجویی، دانشکدهی فناوریهای نوین در علوم پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران
2 استاد، گروه مهندسی پزشکی (بیوالکتریک)، مرکز تحقیقات پردازش تصویر و سیگنال پزشکی، دانشکدهی فناوریهای نوین در علوم پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران
3 دکترای مهندسی پزشکی، گروه مهندسی پزشکی (بیوالکتریک)، دانشکدهی فناوریهای نوین در علوم پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران
4 استاد، گروه داخلی فوق تخصص قلب، دانشکدهی پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران
5 کارشناسی ارشد، گروه مهندسی پزشکی (بیوالکتریک)، کمیتهی تحقیقات دانشجویی، دانشکدهی فناوریهای نوین در علوم پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران
6 دانشجوی دکترای گروه مهندسی پزشکی (بیوالکتریک)، کمیتهی تحقیقات دانشجویی، دانشکدهی فناوریهای نوین در علوم پزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران
7 دانشجوی دکترای مهندسی پزشکی، گروه مهندسی پزشکی (بیوالکتریک)، کمیتهی تحقیقات دانشجویی، دانشکدهی فناوریهای نوین در علوم پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران
doi
10.48305/jims.2022.16314چکیده
مقاله پژوهشیمقدمه: بیماریهای قلبی- عروقی، یکی از علل اصلی مرگ و میر در سراسر جهان است. از اینرو تشخیص زودهنگام بیماریهای قلبی، ارزیابی سامانهی قلبی- عروقی با استفاده از سمع قلب و آنالیز (Phonocardiogram) PCG روشی ارزان، غیرتهاجمی، سریع و غربالگری اتوماتیک بیماران قلبی- عروقی توسط آن در نواحی دور افتاده از اهمیت بسزایی برخوردار میباشد. هدف از این پژوهش، ارایهی روشی جدید جهت غربالگری بیماران قلبی مبتنی بر پردازش سیگنال PCG است که در عین ارزان و سریع بودن، دارای صحت کافی باشد.روشها: در این مطالعه برای غربالگری 2062 سیگنال برچسب خوردهی PCG، با استخراج ویژگیهای جدید و به کارگیری آنها در شبکههای 1- رندوم فارست (random forest)، 2- کا نزدیکترین همسایگی (K-nearest neighbors)، 3- درخت تصمیمگیری (decision tree)، 4- آنالیز افتراق خطی (Linear discriminant analysis)، 5- رگرسیون لجستیک (logistic regression) و 6- شبکهی عصبی عمیق (Deep Neural Network)، شش مدل مختلف ساخته شد و هر کدام از آنها به روش اعتبارسنجی متقابل کا (10 = K) مورد ارزیابی قرار گرفت. دادگان تست به مدلهای مذکور اعمال گردید و بر اساس خروجی آنها سه شاخص صحت، حساسیت و ویژگی با هدف تدوین راهکاری نوین در غربالگری و تمایز بیماران قلبی از افراد سالم با استفاده از PCG محاسبه شد.یافتهها: ارزیابی بر روی مدلهای مذکور با محاسبهی سه شاخص مذکور 5 بار تکرار و مقادیر میانگین و واریانس آنها محاسبه گردید. بالاترین مقدار حساسیت مربوط به شبکهی عصبی عمیق با مقدار حساسیت و ویژگی 14/0 ± 4/96 و صحت 11/0 ± 4/93 میباشد.نتیجهگیری: تمایز ویژگیهای جدید به همراه موفقیت شبکهی عصبی عمیق، پیشنهادی، در تمایز بین PCG افراد سالم از بیماران، نشاندهندهی کارآمد بودن الگوریتم پیشنهادی میباشد. با استفادهی همزمان از چند طبقهبند با به کارگیری قاعدهی رأیگیری میتوان روش را ارتقا بخشید.
