تحلیل سیگنال های قلبی با بهره گیری از هوش مصنوعی

بیماری های قلبی عروقی یکی از مهم ترین علل مرگ ومیر در سطح جهان محسوب می شوند و تشخیص زودهنگام آن ها نقش مهمی در پیشگیری از عوارض شدید و کاهش هزینه های درمانی دارد. در سال های اخیر، استفاده از روش های مبتنی بر یادگیری ماشین و هوش مصنوعی در تحلیل داده های پزشکی، به ویژه سیگنال های قلبی، مورد توجه پژوهشگران قرار گرفته است. هدف این پژوهش، ارائه یک رویکرد موثر برای تشخیص ناهنجاری های قلبی بر اساس سیگنال صدای قلب با بهره گیری از الگوریتم های یادگیری ماشین است. در این مطالعه، از داده های مجموعه PhysioNet Challenge ۲۰۱۶ استفاده شد که شامل سیگنال های صوتی قلب افراد سالم و بیمار است. پس از انجام پیش پردازش شامل حذف نویز، فیلترگذاری و قطعه بندی سیگنال به روش HSMM، ویژگی های موثری نظیر Jitter، Shimmer، RAP، PPQ۵، APQ و ویژگی های فرکانسی–زمانی استخراج گردید. برای طبقه بندی سیگنال ها، از الگوریتم های ماشین بردار پشتیبان (SVM)، نزدیک ترین همسایه (KNN)، جنگل تصادفی (Random Forest) و تحلیل تفکیک خطی (LDA) بهره گرفته شد. همچنین، به منظور ارزیابی عملکرد مدل ها، از روش اعتبارسنجی متقاطع ۱۰تایی و شاخص های دقت، حساسیت و ویژگی استفاده گردید. نتایج نشان دادند که ترکیب روش های دقیق استخراج ویژگی با مدل های یادگیری نظارت شده می تواند در تشخیص زودهنگام ناهنجاری های قلبی از طریق سیگنال صوتی قلب، عملکرد قابل قبولی ارائه دهد. این رویکرد، با توجه به ماهیت غیرتهاجمی و کم هزینه ی آن، می تواند به عنوان ابزاری موثر در سیستم های پایش سلامت و تشخیص اولیه بیماری های قلبی مورد استفاده قرار گیرد.

کلیدواژه ها:

یادگیری ماشین ، طبقه بندی سیگنال ، استخراج ویژگی ، الگوریتم ماشین بردار پشتیبان ، حذف نویز