روش جدید آنالیز فونوکاردیوگرام به منظور غربالگری بخشی از بیماری های قلبی- عروقی با به کارگیری مدل یادگیری عمیق
- سال انتشار: 1401
- محل انتشار: مجله دانشکده پزشکی اصفهان، دوره: 40، شماره: 661
- کد COI اختصاصی: JR_IMSJ-40-661_003
- زبان مقاله: فارسی
- تعداد مشاهده: 167
نویسندگان
دانشجوی دکترای مهندسی پزشکی، گروه مهندسی پزشکی (بیوالکتریک)، کمیته ی تحقیقات دانشجویی، دانشکده ی فناوری های نوین در علوم پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران
استاد، گروه مهندسی پزشکی (بیوالکتریک)، مرکز تحقیقات پردازش تصویر و سیگنال پزشکی، دانشکده ی فناوری های نوین در علوم پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران
کارشناسی ارشد، گروه مهندسی پزشکی (بیوالکتریک)، کمیته ی تحقیقات دانشجویی، دانشکده ی فناوری های نوین در علوم پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران
دانشجوی دکترای گروه مهندسی پزشکی (بیوالکتریک)، کمیته ی تحقیقات دانشجویی، دانشکده ی فناوری های نوین در علوم پزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران
دانشجوی دکترای مهندسی پزشکی، گروه مهندسی پزشکی (بیوالکتریک)، کمیته ی تحقیقات دانشجویی، دانشکده ی فناوری های نوین در علوم پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران
دکترای مهندسی پزشکی، گروه مهندسی پزشکی (بیوالکتریک)، دانشکده ی فناوری های نوین در علوم پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران
استاد، گروه داخلی فوق تخصص قلب، دانشکده ی پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران
چکیده
مقاله پژوهشیمقدمه: 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.روش ها: در این مطالعه برای غربالگری ۲۰۶۲ سیگنال برچسب خورده ی PCG، با استخراج ویژگی های جدید و به کارگیری آن ها در شبکه های ۱- رندوم فارست (random forest)، ۲- کا نزدیک ترین همسایگی (K-nearest neighbors)، ۳- درخت تصمیم گیری (decision tree)، ۴- آنالیز افتراق خطی (Linear discriminant analysis)، ۵- رگرسیون لجستیک (logistic regression) و ۶- شبکه ی عصبی عمیق (Deep Neural Network)، شش مدل مختلف ساخته شد و هر کدام از آن ها به روش اعتبارسنجی متقابل کا (۱۰ = 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.یافته ها: ارزیابی بر روی مدل های مذکور با محاسبه ی سه شاخص مذکور ۵ 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 ۱۴/۰ ± ۴/۹۶ و صحت ۱۱/۰ ± ۴/۹۳ می باشد.نتیجه گیری: 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.کلیدواژه ها
تکنیک تشخیصی قلب و عروق, یادگیری عمیق, برنامه های غربالگری تشخیصی, بیماری های قلبی- عروقیاطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.