تفکیک و دسته بندی خودکار سیگنال های صوتی قلب مبتنی بر توصیفگر موجک گسسته و طبقه بند ماشین بردار پشتیبان

در این مقاله روشی جدید در شناسایی خودکار بیماریهای قلبی، آریتمی ها و یا آسیب های پاتولوژیکی ناشی از سکته مختلف با استفاده از تحلیل صداهای ضبط شده از قلب معرفی شده که از مدل های شناسایی الگو در استخراج ویژگی و طیقه بندی سیگنال استفاده شده است. سیستم کارآمد طراحی شده از سه گام پیش پردازش، استخراج و انتخاب ویژگی و طبقه بندی تشکیل شده است. توصیفگر موجک سبب استخراج ویژگی های موثری چون چولگی، میانگین، واریانس، آنتروپی و انحراف استاندارد در چهار مرحله شده و سپس با استفاده از آنالیز اجزای اصلی ابعاد بردار ویژگی ها کاسته خواهد شد. درگام آخر، از ماشین بردار پشتیبان جهت طبقه بندی وجود یا عدم وجود بیماری قلبی از سیگنال صوتی استفاده میشود و این کار با روش تقسیم داده Hold-out صورت خواهد گرفت. خروجی بر اساس حالت دو کلاسه و پنج کلاسه تشخیص بیماری پیشنهاد شده و نتایج آن از وضعیت تشخیصی بهینه حکایت دارد. الگوریتم معرفی شده در این زمینه تا حد قابل قبولی میتواند از مشکلات روشهای پیشین در تشخیص بکاهد و راهکار غیرتهاجی مناسبی جهت شناسایی بیماری قلبی محسوب شود.

کلیدواژه ها:

بیماری های قلبی ، صدای ضبط شده قلب ، توصیف گر موجک ، آنالیز اجزای اصلی و ماشین بردار پشتیبان