استخراج ويژگي از سيگنال مكانيكي نبض به منظور تشخيص بيماري عروق كرونري

Mechanical pulse signal analysis in order to feature extraction to use in the diagnosis of CAD

تشخيص هوشمند بيماريها با دقت بالا، سرعت زياد، هزينه پايين و به صورت غير تهاجمي امروزه به يك ضرورت در روند درمان بيماريها تبديل شده است. در اين راستا، گرفتن سيگنال نبض، امري بسيار آسان و كم هزينه است كه با توجه به در دسترس بودن آن و نيز آسان بودن فرآيند مربوطه، مي تواند در تشخيص سريع و كم هزينه بيماريهاي قلبي بسيار مفيد باشد. چنانچه در اين زمينه بتوان از روش مناسب پردازش سيگنال و هوشمندسازي آن نيز بهره جست بگونه اي كه دقت آن با ساير روشهاي هزينه بر و زمان بر برابري كند، مي توان گفت كه به دستاورد ارزشمندي رسيده ايم كه هدف از اين مطالعه نيز همين امر است. در ابتدا با استفاده از دستگاه تسك فورس مانيتور، داده هاي مربوط به سيگنال فشاري نبض در انگشت دست چپ براي دو گروه سالم و مبتلا به بيماري عروق كرونر دريافت شده است. سپس سيگنالها فيلتر شده و موارد نادرست از آن جدا شده است. آنگاه ويژگي هاي مربوط به حالت سالم و بيمار استخراج شده و در نهايت با انتخاب ويژگي هاي برتر، داده هاي افراد سالم و افراد بيمار با دقت بيش از 85 درصد با استفاده از الگوريتم ماشين‌هاي بردار پشتيبان از هم جدا مي شوند. در نهايت تاثير افزايش سن بر ويژگيهاي برتر بررسي شد كه نشان دهنده ي همبستگي كمتر از 5 درصد در بهترين حالت بين ويژگيها و سن افراد است.

Nowadays, diagnosis of diseases with high precision, high speed, low-cost and non-invasive approaches has become a necessity. In this regard, taking pulse signal is very easy and inexpensive, which due to the availability and feasibility of the process, can be very useful in the rapid diagnosis heart disease. If we can use the appropriate signal processing and intelligent methods in such a way that its accuracy and total cost equal those of other corresponding methods, we can say that we have reached a valuable achievement; in the current study we pursue the same purpose. In the first step, pressure pulse signals of 45 Coronary Arterial Disease (CAD) patients and 45 healthy persons are acquired from the left fingers using Task Force Monitor (TFM). Then the signals are filtered by wavelet transform (db6) and the wrong items are discarded. Then, the features corresponding to the CAD and healthy states are extracted which based on Time Domain Analysis. By choosing the best features, the data of healthy people and patients (CAD) are classified with Support Vector Machine (SVM) classifier by the accuracy rate of more than 85%. Finally, the effect of age on the best feature was investigated. A correlation of less than 5% between the best feature and age was obtained