بهبود تشخیص ناهنجاری های قلبی از طریق استخراج ویژگی از سیگنال صدای قلب با به کارگیری الگوریتم های طبقه بندی یادگیری ماشین

استخراج اطلاعات از سیگنال صدای قلب و تشخیص سیگنال غیرطبیعی در مرحله اولیه می تواند نقش حیاتی در کاهش میزان مرگ و میر ناشی از بیماری های قلبی عروقی داشته باشد. از این رو، تاکنون پژوهش های متعددی در حوزه پردازش این سیگنال ها انجام شده است. لذا هدف از این پژوهش تعیین و بررسی بهبود تشخیص ناهنجاری های قلبی از طریق استخراج ویژگی از سیگنال صدای قلب با به کارگیری الگوریتم های طبقه بندی یادگیری ماشین بود.

این یک مطالعه توصیفی تحلیلی می باشد که در سال 1402 در دانشگاه آزاد کازرون انجام شد، داده های پژوهش از دادگان چالش 2016 فیزیونت انتخاب شدند، پس از پیش پردازش و حذف نویز، 6 ویژگی جدید و 35 ویژگی مورد استفاده در پژوهش های پیشین در مجموع 41 ویژگی از سیگنال های صدای قلب استخراج شد. 6 ویژگی جدید عبارتند از؛ آشفتگی متوسط ​​نسبی، ضریب اغتشاش دوره پنج نقطه ای، شیمر محلی (برحسب دسی بل)، ضریب اغتشاش دامنه سه نقطه ای، ضریب اغتشاش دامنه پنج نقطه ای و همبستگی مرکز جرم زمانی و مرکز جرم فرکانسی. ویژگی های استخراج شده به عنوان ورودی به چهار طبقه بند شامل؛ جنگل تصادفی، ماشین بردار پشتیبان، K نزدیکترین همسایه و تجزیه و تحلیل افتراق خطی اعمال شد. میزان صحت، حساسیت و اختصاصیت هر یک از طبقه بندها محاسبه گردید و به منظور بررسی تاثیر ویژگی های جدید در تشخیص ناهنجاری های قلبی، نتایج به دست آمده با پژوهش هایی که از دادگان و طبقه بندهای مشابهی استفاده کرده، ولی ویژگی های کمتری از داده ها استخراج کرده بودند مقایسه شد. داده های جمع آوری شده با استفاده از آزمون های آماری تی و رگرسیون لجستیک تجزیه و تحلیل شدند.

بیشترین مقدار صحت و حساسیت، با استفاده از طبقه بند تجزیه و تحلیل افتراق خطی به دست آمد که به ترتیب به میزان 52/91 و 19/96 می باشد. بیشترین مقدار اختصاصیت نیز در طبقه بند جنگل تصادفی به میزان 90/88 به دست آمد. طبق نتایج به دست آمده، با افزودن ویژگی های جدید، سه شاخص صحت، حساسیت و اختصاصیت در دو طبقه بند K نزدیک ترین همسایه و تجزیه و تحلیل افتراق خطی بهبود می یابد. استخراج این ویژگی ها هم چنین باعث افزایش میزان اختصاصیت در طبقه بند جنگل تصادفی می گردد.

نتایج نشان می دهد استخراج ویژگی های جدید باعث افزایش میزان صحت، حساسیت و اختصاصیت در تشخیص ناهنجاری های قلبی در مقایسه با نتایج پژوهش های پیشین شده است.