طراحی و پیاده سازی مدل خودرمزگذار واریاسیونی کانولوشنی (CNN-VAE) با رویکرد نظارتی برای جداسازی کور سیگنال های صوتی قلب و ریه

در عصر پزشکی، دیجیتال پایش غیرتهاجمی سلامت قلبی-ریوی از طریق تحلیل سیگنال های صوتی (PCG) و تنفس اهمیت ویژه ای یافته است. با این حال همپوشانی شدید زمانی و فرکانسی صدای قلب و ریه در رکوردهای بالینی استخراج ویژگی های دقیق برای تشخیص بیماری ها را دشوار می سازد. روش های سنتی مانند تحلیل مولفه های مستقل (ICA) و فیلترینگ کلاسیک، به دلیل ماهیت غیرخطی و ناپایدار این سیگنال ها کارایی محدودی دارند. این پژوهش یک رویکرد نوین مبتنی بر یادگیری عمیق مولد را پیشنهاد می کند. در این راستا یک معماری شبکه عصبی خودرمزگذار واریاسیونی کانولوشنی (CNN-VAE) طراحی شد که از یک تابع هزینه ترکیبی شامل خطای بازسازی، واگرایی کولبک-لایبلر (KL) و یک تابع هزینه تباین (Contrastive Loss) بهره می برد. مدل پیشنهادی بر روی مجموعه داده استاندارد HLS-CMDS آموزش داده شد. نتایج تجربی نشان داد که مدل با دستیابی به امتیاز Silhouette برابر ۰.۴۰ در فضای پنهان موفق به تفکیک دقیق خوشه های قلب و ریه شده است. این پژوهش نشان می دهد که با اعمال قیود نظارتی بر فضای پنهان مدل های VAE می توان بر چالش درهم تنیدگی ویژگی ها فائق آمد، هر چند مصالحه ای میان قدرت تفکیک و جزئیات ریز ساختاری بازسازی وجود دارد.

کلیدواژه ها:

جداسازی کور منابع ، خودرمزگذار واریاسیونی ، سیگنال های زیست پزشکی ، یادگیری عمیق ، تحلیل زمان-فرکانس