سیستم هوشمند ابتکاری مبتنی بر استخراج ویژگی تشخیص خودکار برای تشخیص بیماری های قلبی

چکیده

1-مقدمه

2-روش پژوهش

1-2 مرحله 1: روش استخراج ET

1-1-2 به دست آوردن صدای قلب و پیش پردازش

2-1-2 استخراج ET

شکل 1- دیاگرام بلوکی روش بررسی سیستم تشخیص هوشمند ابتکاری چهار مرحله ای پیشنهاد شده

شکل 2- نمایش اصول یافتن P1، S12، P2 و S21. (a) P1 ناحیه محلی نزدیک به S1 متناظر با NPP  . (b) S12 ناحیه موضعی   از S1 تا S2 متناظر با PNP   این ناحیه. (c) P2 ناحیه موضعی نزدیک به S2 متناظر با NPP  . (d) S21 ناحیه موضعی   از S2 تا S1 متناظر با PNP   این ناحیه.

شکل 3- روش تعیین و استخراج خودکار S1 و S2. (a-e) روش را برای مثالی از صدای نارسائی دریچه میترال (MR) ترسیم می کند و (f) و (g) روش را برای مثالی از صدای نرمال (NM) ترسیم می کند. 

2-2 مرحله 2: تعیین و استخراج خودکار S1 و S2

1-2-2 تبدیل هیلبرت اصلاح شده کوتاه مدت (STMHT)

2-2-2 استخراج خودکار S1 و S2

3-2 مرحله 3: تولید خودکار ویژگی های تشخیصی y1 و y2

1-3-2 پاکت های ثانویه برای تعریف S1 (به صورت SES1 نشان داده می شود) و برای تعریف S2 (به صورت SES2 نشان داده می شود)

2-3-2 تعریف و استخراج خودکار FFM ماتریس ویژگی فرکانس مبتنی بر STMHT 

3-3-2 نتایج تجربی برای چند نوع بیماری قلبی

شکل 4- مثالی برای تعریف ماتریس ویژگی فرکانس (FFM) و استخراج خودکار

جدول 1- توضیح ماتریس ویژگی ناحیه فرکانس FFM

شکل 5- مثال هایی از صدای قلب نرمال و صدای سه نوع بیمار قلبی، بیماری قلبی AR، AF و PS

4-3-2 ایجاد ویژگی های تشخیصی y1 و y2 براساس PCA

جدول 2- آنالیز آماری انحراف متوسط و استاندارد (STD) برای سیگنال های صدای AF دوره 152، سیگنال های صدای AR دوره 152، سیگنال های صدای MR دوره 231، سیگنال های صدای NM دوره 268 و سیگنال های صدای PS دوره 138

شکل 6- نمایش نمودار میله ای نتایج آنالیز آماری FFM تعریف شده با معادله 22 برای هر نوع بیماری قلبی (AF, AR,MR, NM, PS). میله ها مقدار متوسط برای هر ویژگی در محور X را نشان می دهد. آرایه ها در بالای میله، انحراف استاندارد حجم در هر نوع بیماری قلبی را نشان می دهد.

جدول 3- انحراف متوسط (FFMMean) و استاندارد (FFMSTD) ماتریس ویژگی FFM958x10

جدول 4-  بردارهای ویژه برای مولفه های اصلی

4-2 مرحله 4: تعریف روش دسته بندی براساس منحنی مرزی دسته بندی (g)

شکل 7- نتایج آنالیز مولفه های اصلی. a) چارت پارتو واریانس توزیع شده با هر مولفه اصلی حاصل از آنالیز مولفه های اصلی در ماتریس ویژگی FFM، b) نمودار دیاگرام پراکنش مولفه اصلی اول y1 و مولفه اصلی دوم، y2 و دیاگرام پراکنش مولفه اصلی اول y1، مولفه اصلی دوم y2 و مولفه اصلی سوم y3 در c نشان داده شده است.

1-4-2 ایجاد منحنی مرزی دسته بندی براساس SVM

2-4-2 تعریف روش تشخیص براساس منحنی های مرزی

شکل 8- مرزهای دسته بندی برای پارامترهای ویژگی استخراج شده از صداهای AF، AR، MR، NM و PS

جدول 5- نمایش ماتریس اغتشاش

3-ارزیابی عملکرد سیستم

1-3 مثال ها و توضیحات

شکل 9- VSD، MS، AR،MR، AF،PS و NM به عنوان مثال هایی برای معرفی نتایج تشخیص مبتنی بر دیاگرام پراکنش و تعیین خودکار S1 و S2 نشان داده شده اند.

جدول 6- نتایج تشخیص عددی برای تشخیص VSD، MS، AR،MR، AF،PS و NM

جدول 7- صداهای تجربی مورد استفاده برای ارزیابی عملکرد سیستم هوشمند پیشنهادی در این تحقیق

جدول 8- آنالیز قیاسی چهار روش مختلف برای تشخیص صدای AF دوره 188 از 14 بیمار، صدای AR دوره 181 از 17 بیمار، صدای MR دوره 257 از 25 بیمار، صدای NM دوره 325 از 25 بیمار و صدای PS دوره 150 از 7 بیمار

2-3 مقایسه با سایر روش ها برای تشخیص چند نوع بیماری قلبی متداول

جدول 9- صدای تجربی خلاصه شده در مطالعه [40] که برای ارزیابی عملکرد سیستم هوشمند پیشنهادی در این تحقیق به کار رفت.

جدول 10- مقایسه روش پیشنهادی در مطالعه [40] برای تشخیص صدای SVSD دوره 129 از 21 بیمار، صدای MVSD دوره 128 از 21 بیمار و صدای LVSD دوره 93 از 15 بیمار

شکل 10- مرزهای دسته بندی برای دو مولفه اصلی ایجاد شده از صداهای SVSD دوره 62 از 10 بیمار، صدای MVSD دوره 90 از 15 بیمار و صدای LVSD دوره 74 از 12 بیمار

3-3 مقایسه با روش قدیمی ما برای تشخیص سه نوع VSD

4-نتیجه گیری

سیستم ابتکاری تشخیص هوشمند در این مقاله ارائه می شود که عمدتا در استخراج خودکار صدای قلب اولیه (S1) و صدای قلب ثانویه (S2)، استخراج خودکار ماتریس ویژگی فرکانس (FFM)، ایجاد ویژگی تشخیصی y1 و y2 براساس آنالیز مولفه های اصلی (PCA) و تعریف روش تشخیصی براساس منحنی های مرز دسته بندی منعکس می شود. چهار مرحله متناظر با اجرای سیستم تشخیصی به صورت زیر خلاصه می شود. مرحله 1 استخراج پاکت ET از سیگنال های صدای قلب را توضیح می دهد. در مرحله 2، پیک و نقاط جداسازی صدای قلب ابتدا به صورت خودکار براساس روش جدید STMHT واقع می شود و بعد S1 و S2 به صورت خودکار طبق رابطه میان فاصله زمانی سیستولی (انقباض قلب) و فاصله زمانی دیاستولی (انبساط قلب) استخراج می شوند. در مرحله 3 در ناحیه فرکانس، ابتدا روش جدیدی برای ایجاد پاکت ثانویه SES1 و SES2 به ترتیب برای S1 و S2 پیشنهاد می شود و بعد FFM مبتنی بر STMHT به صورت خودکار از SES1 و SES2 استخراج می شود. درنهایت ویژگی های تشخیصی y1 و y2 مبتنی بر PCA از FFM ایجاد می شود. در مرحله 4 منحنی های دسته بندی مبتنی بر دستگاه بردار پشتیبان (SVM) برای مجموعه داده های متشکل از y1 و y2 ایجاد و بعد براساس منحنی های دسته بندی، نتیجه تشخیصی دیاگرام پراش (SDDR) و نتیجه تشخیص عددی (NDR) برای تشخیص بیماری های قلبی تعریف شد. سیستم تشخیص هوشمند پیشنهادی با صداهایی از پایگاه داده صدای قلب آنلاین و با صداهایی از بیماری قلبی بالینی اعتباربخشی می شود. درنتیجه دقت دسته بندی (CA) حاصل برای شناسایی به ترتیب فیبریلاسیون دهلیزی (AF) (ضربان نامنظم)، نارسایی آئورت (AR)، نارسائی دریچه میترال (MR)، صدای نرمال (NM)، تنگی دریچه پولموناری (PS)، نقص دیواره بین بطنی کوچک (SVSD)، نقص دیواره بین بطنی متوسط (MVSD) و نقص دیواره بین بطنی بزرگ (LVSD)، 7/91%، 8/98% 4/98%، 8/99%، 7/98%، 8/97%، 1/98% و 5/96% است.

بیماری قلبی رایج ترین علت مرگ مردم سراسر دنیاست. براساس آمار سازمان بهداشت جهانی [47]، بیماری قلبی اولین قاتل سال های 2000 تا 2011 بود. ازاین رو استفاده از یک روش پردازش اطلاعات پیشرفته برای تشخیص بیماری قلبی، یکی از مهم ترین حوزه های پژوهش پزشکی است [44]. درحال حاضر روش های تشخیص اختلال دریچه قلب، تکنیک های غیرتهاجمی (الکتروکاردیوگرام، اشعه X قفسه سینه، آنالیز صدای قلب و تصویربرداری فوق صوت و تکنیک های داپلر) و تکنیک های تهاجمی (آنژیوگرافی، ترانسوزفاژیال و اکوکاردیوگراف) است. از این روش ها آنالیز صدای قلب روش غیرتهاجمی، اقتصادی، آسان و کارامدی است که به طور گسترده برای تشخیص بیماری قلبی و ارزیابی کارکرد قلب طی معاینات پزشکی بزرگسالان و کودکان به کار می رود، مانند تشخیص نقص دیواره بین بطنی [40]، تست الگوریتم استخراج ضربان قلب جنین [5]، معاینه جنین [18]، تشخیص بیماری قلب دریچه ای [8]، شناسایی بیماری دریچه قلب [24]، و غربالگری بیماری قلبی مادرزادی کودکان [36]. صدای قلب با ارتعاشات ناشی از بسته شدن دریچه، بازشدن غیرعادی دریچه، ارتعاشات در حفره بطنی، کشیدگی طناب های وتری (رشته های قلب)، و جریان خون غیرعادی یا نامنظم در دریچه ها یا میان حفره های قلبی [17] ایجاد می شوند. سیگنال های اولیه صدای قلب عمدتا متشکل از چهار نوع صدا شامل S1، S2 و دو صدای ضعیف به نام صدای سوم (S3) و صدای چهارم (S4) هستند. S1 با بسته شدن دریچه های میترال و تری کوسپید (سه لتی) در آغاز انقباض بطنی با حجم ثابت و S2 با بسته شدن دریچه های آئورتی و پولمونی (ریوی) در ابتدای انبساط بطنی با حجم ثابت تولید می شود. S3 درصورتی که قابل استماع باشد در اوایل پرشدن بطنی رخ می دهد و ممکن است کشیدگی طناب وتری (رشته های قلبی) و حلقه دهلیزی را نشان دهد که بافت ارتباطی حمایت کننده از صفحات دریچه های میترال و سه لتی است. S4 درصورت استماع با ارتعاش دیواره بطنی طی انقباض دهلیزی ایجاد می شود و معمولا همراه با بطن سخت شده است و درنتیجه در بیمارانی با هایپرتروفی بطنی، ایسکمی مایوکارد (کم خونی در عضله قلب) یا در اشخاص مسن شنیده می شود. هرچند ممکن است این چهار صدابه وسیله سمع قلب قابل شنیدن باشند و در دامنه فرکانس 2000-20 هرتز رخ دهند، ولی سوفل قلب مانند سوفل خروج سیستولی (مانند انسداد آئورت) و سوفل پن سیستولی (مانند نارسائی دریچه قلب) غالبا مابین S1 و S2 با الگوی صدای پارازیت مختلف ظاهر می شود [14]. با این وجود S3 و S4 در دامنه های بسیار پایین با مولفه های فرکانس پاسسن ظاهر می شوند و تشخیص آنها در سمع قلب معمولی بسیار دشوار است. ازاین رو تحلیل S1 و S2 نقش مهمی در آنالیز صدای قلب ایفا می کند. برای کسب اطلاعات بیشتر در مورد صدای قلب و تشخیص بادقت بالاتر، اول جداسازی صدای قلب برای استخراج S1 و S2 انجام می شود و بعد ویژگی های کارامد از S1 و S2 به دست می آید. در نهایت از روش دسته بندی برای تشخیص بیماری های قلبی استفاده می شود. در سال های اخیر مطالعات گزارش شده در مورد جداسازی صدای قلب را می توان در سه دسته خلاصه کرد. در دسته اول عملکرد جداسازی صدای قلب با با توجه به الکتروکاردیوگرافی رفرنس بسیار خوب است [11، 25]. با این وجود در کودکانی با نقص بطن هیپرتروفی چپ یا راست، انحراف محور قلب باعث بروز اختلال در سیگنال الکتروکاردیوگراف می شود که جداسازی صدای قلب را دشوار می کند [35]. دسته دیگر از الگوریتم جداسازی مبتنی بر ناحیه فرکانس استفاده می کند که با پیگیری طیف صدای قلب پیشنهاد می شود [20، 19، 12، 29]. با این وجود انتخاب آستانه و فیلتر پارازیت غیرمنتظره در این نوع روش مسئله دشواری است و برخی از مطالعات به این مسئله اشاره دارند. دسته سوم، روش جداسازی مبتنی بر پاکت است که بسیاری از محققان به بررسی آن پرداخته اند [32، 14، 48]. با این وجود انتخاب آستانه و فیلتر پارازیت غیرمنتظره در این روش نیز مشکل است. به علاوه تحقیق [48] نشان می دهد که قرار گرفتن پیک های موضعی S1 و S2 با این روش بی نهایت دشوار می ماند. خوشبختانه روش جدید مبتنی بر STMHT جداسازی صدای قلب خودکار و موقعیت پیک پیشنهادی طبق تحقیق [39] برای عملکرد مناسب در مقایسه با الگوریتم منتشر شده گزارش شده است [48] که بهتر از دیگر روش های جداسازی است. عرض فرکانس پاکت در مقدار آستانه معین (Thν) به عنوان یک ویژگی کارامد تعریف شده در حوزه فرکانس، برای تشخیص بیماری قلبی [6] و تشخیص VSD [40] موثر شناخته شده است. با این وجود در بسیاری از انواع بیماری های قلبی، استخراج عرض فرکانس با Thν کوچک تر دشوار است (شکل 4ب). به علاوه برای دستیابی به دقت دسته بندی بالاتر برای تشخیص انواع مختلف بیماری قلبی، مقدار Thν مختلف باید بررسی شود. به عنوان مثال این تحقیق [6] حاکی از این است که بالاترین دقت دسته بندی برای تشخیص MR در 8/0= Thν و بالاترین میزان دقت دسته بندی 94/93% برای تشخیص AF در 3/0= Thν است. با این وجود بالاترین دقت دسته بندی گزارش شده برای تشخیص نقص دیواره بین بطنی(VSD) در 2/0= Thν، 4/98% است [40]. برای پرهیز از تعیین Thν مختلف برای استخراج ویژگی های بیماری های مختلف قلبی، ماتریس ویژگی فرکانس جدید FFM پیشنهادی طبق این تحقیق [38] ارزیابی شد و در تشخیص بسیاری از انواع بیماری های قلبی کارامد یافته شد، مانند نارسائی دریچه آئورت (AR)، تنگی دریچه میترال (AS) و نارسایی دریچه میترال (MR). با این وجود با استفاده از FFM برای ویژگی های تشخیص بیماری قلبی شامل محاسبه پیچیده است. ازاین رو برای کاهش محاسبه سیستم تشخیصی پیشنهادی، آنالیز مولفه های اصلی (PCA)، تکنیک کاهش ابعادپذیری خطی برای یافتن مولفه های اصلی جدید در داده های ابعاد بالا است و برای ساده تر و کارامدتر شدن سیستم تشخیصی در بسیاری از مطالعات به کار می رود، مانند مواردی که شامل تشخیص بیماری قلبی [3]، تشخیص بیماری تیروئید [9]، تشخیص مرگ قلبی [16]، تشخیص بیماری سرخرگ های قلبی [10]، خوشه بندی داده ها [22]، تشخیص بیماری عروق قلبی [37] و تشخیص بی نظمی ضربان الکتروکاردیوگرام [50] به کار می رود. اخیرا به عنوان یک روش دسته بندی، دستگاه های بردار پشتیبان (SVM) به عنوان روش یادگیری آماری موثر برای دسته بندی داده های مختلف با استفاده از منحنی های دسته بندی [45] پیشنهاد و با موفقیت برای حل بسیاری از مشکلات به کار رفته اند، مانند تشخیص دیجیتال دست خط [27]، تشخیص سرطان [2] و دسته بندی مورمور قلبی [40،6]. در مطالعه [40]، روش محاسبه مبتنی بر SVM برای ایجاد منحنی دسته بندی پیشنهاد شد که با موفقیت VSD را تشخیص داد. در این تحقیق سیستم هوشمنئ نوآورانه ای برای تشخیص بیماری قلبی پیشنهاد می شود. برای دستیابی به سیستم تشخیص هوشمند این تحقیق در چهار مرحله آرایش می یابد. در مرحله 1 پاکت ET از سیگنال صدای قلب XT فیلتر شده با استفاده از روش تجزیه موجک استخراج می شود. در مرحله 2 نقاط جداسازی صدای قلب و پیک های ET ابتدا به صورت خودکار براساس روش جدید STMHT تعیین می شوندو بعد S1 و S2 طبق رابطه میان فاصله زمانی سیستول و دیستول به صورت خودکار استخراج می شوند. د رمرحله 3 در ناحیه فرکانس، ابتدا روش جدیدی برای ایجاد پاکت های ثانویه SES1 و SES2 به ترتیب برای S1 و S2 پیشنهاد شد و بعد ماتریس ویژگی فرکانس مبتنی بر STMHT (FFM) تعریف و به صورت خودکار از SES1 و SES2 استخراج شد. درنهایت دو مولفه اصلی اولیه مبتنی بر PCA، y1 و y2 از FFM ایجاد شدند و به عنوان ویژگی های تشخیصی به کار رفتند. در مرحله 4، منحنی های دسته بندی مبتنی بر SVM برای مجموعه داده های متشکل از y1 و y2 که از صدای بیمار قلبی ایجاد می شوند ابتدا با روش جدیدی به وجود آمدند و بعد براساس منحنی های دسته بندی، روش تشخیصی برای تشخیص صداهای شناسایی شده تعریف شدند. به علاوه برای ارزیابی عملکرد این سیستم هوشمند، آنالیز قیاسی برای تشخیص صدا از پایگاه داده صدای قلب آنلاین و بیماری قلبی بالینی در بیمارستان ها اجرا شدن تا اعتبار سیستم تشخیص هوشمند پیشنهادی تائید شود.