روش جدید آنالیز فونوکاردیوگرام به منظور غربالگری بخشی از بیماری های قلبی- عروقی با به کارگیری مدل یادگیری عمیق

بیماری های قلبی- عروقی، یکی از علل اصلی مرگ و میر در سراسر جهان است. از این رو تشخیص زودهنگام بیماری های قلبی، ارزیابی سامانه ی 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 می باشد. هدف از این پژوهش، ارایه ی روشی جدید جهت غربالگری بیماران قلبی مبتنی بر پردازش سیگنال PCG است که در عین ارزان و سریع بودن، دارای صحت کافی باشد.

در این مطالعه برای غربالگری 2062 سیگنال برچسب خورده ی PCG، با استخراج ویژگی های جدید و به کارگیری آن ها در شبکه های 1- رندوم فارست (random forest)، 2- کا نزدیک ترین همسایگی (K-nearest neighbors)، 3- درخت تصمیم گیری (decision tree)، 4- آنالیز افتراق خطی (Linear discriminant analysis)، 5- رگرسیون لجستیک (logistic regression) و 6- شبکه ی عصبی عمیق (Deep Neural Network)، شش مدل مختلف ساخته شد و هر کدام از آن ها به روش اعتبارسنجی متقابل کا (10 = K) مورد ارزیابی قرار گرفت. دادگان تست به مدل های مذکور اعمال گردید و بر اساس خروجی آن ها 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.

ارزیابی بر روی مدل های مذکور با محاسبه ی سه شاخص مذکور 5 بار تکرار و مقادیر میانگین و واریانس آن ها محاسبه گردید. بالاترین مقدار حساسیت مربوط به شبکه ی عصبی عمیق با مقدار حساسیت و ویژگی 14/0 ± 4/96 و صحت 11/0 ± 4/93 می باشد.

تمایز ویژگی های جدید به همراه موفقیت شبکه ی عصبی عمیق، پیشنهادی، در تمایز بین PCG افراد سالم از بیماران، نشان دهنده ی کارآمد بودن الگوریتم پیشنهادی می باشد. با استفاده ی همزمان از چند طبقه بند با به کارگیری قاعده ی رای گیری می توان روش را ارتقا بخشید.