تشخيص وفقي وقوع بيماري نقص بين بطني قلب: مدلي خودكار با امكان آناليز از طريق سيگنال هاي صوتي قلب

Adaptive Detection of Defects in the Ventricular Heart Disease: A Model with the Possibility of Automatic Analysis of Audio Signals through the Heart

در مقاله حال حاضر، با آناليز سيگنال هاي صوتي قلب به طراحي الگوريتمي تركيبي پرداخته شده كه متشكل از استخراج ويژگي بر اساس تكنيك آشوب، كاهش ابعاد توسط آناليز اجزاي اصلي و دسته بندي خروجي ها با اتكا بر شبكه هاي عصبي-فازي تطبيقي مي-باشد. عدم قطعيت و خطاي بالا در تشخيص روزنه بين بطني از عديده مشكلات روش هاي پيشين است كه در اين زمينه مطرح بوده و به سبب اهميت تشخيص خودكار اين عارضه قلبي، نياز است تا طراحي وفقي و به دور از بروز خطا باشد. انتقال فضاي ويژگي ها با نگاشت آنها توسط الگوريتم آناليز اجزاي اصلي در دو گام، با انتخاب تعداد 18 تا 25 ويژگي از ميان حدود 50 ويژگي استخراج شده، ورودي طبقه بندي پيشنهادي را مي سازد. طبقه بند پيشنهادي، سيستم شبكه عصبي فازي تطبيقي با امكان پيش بيني بروز بيماري قلبي است كه با ورود داده ها، در تعداد تكرارهاي محدود در سطح قابل قبولي خروجي ها را پيش بيني مي نمايد. داده ها از پايگاه دادهUmichدانشگاهميشيگاندريافت شده و شامل نمونه هاي از بيماري روزنه بين بطني است. نسبت تقسيم داده ها در مرحله يادگيري و آزمايش، 9/0 به 1/0 (ارزيابي متقاطع) است و از شيوه اعتبارسنجي K-fold استفاده شده است. محاسبه معيارهايي چون دقت، حساسيت و نيز عدم قطعيت توسط مفهوم آنتروپي در الگوريتم تركيبي حاكي از عملكرد مناسب روش پيشنهادي است.

In this paper, a hybrid algorithm has been developed by analyzing the audio signals of the heart, that consists of extracting features based on chaos technique, reducing dimensions and analyzing the main components and classifying outputs by relying on comparative neuro-fuzzy networks. Uncertainty and high error in the diagnosis of inter-ventricular openings are one of the common problems with the previous methods. Due to the importance of the auto-diagnosis of this heart condition, it is necessary to be well-designed and far from error. Transmission of feature spaces to their mapping by the main component analysis algorithm is made by two steps, selecting the number of 18 to 25 attributes among about 50 extracted attributes that these informations are input of the class. The proposed classification classifies the adaptive fuzzy neural network system with the possibility of predicting the incidence of heart disease, which predicts the number of repetitions at the acceptable level of outputs by entering the data. The data are from the Umich database at the University of Michigan and include samples from the ventricular aperture. The ratio of data split in the learning and testing phase is from 0.9 to 0.1 (cross-check), and the K-fold validation method is used. Calculation of criteria such as accuracy, sensitivity and uncertainty by the concept of entropy in a hybrid algorithm suggests the proper performance of the proposed method.