تشخیص صداهای سوم و چهارم قلب با استفاده از ترکیب پوش همومورفیک تطبیقی و تجزیه به مولفه های ذاتی

مقدمه :فعالیت مکانیکی قلبی، شرایط پاتولوژیک و بسته شدن دریچه ها، نوساناتی توام با صدا ایجاد می کند. این صداها اطلاعات قابل توجهی در مورد آریتمی، اختلالات دریچه ها، نارسایی و سایر بیماری های قلب ارایه می دهند که توسط پزشکان متخصص تفسیر می شوند. الگوریتم های خودکار نسبت به قدرت شنوایی، نتایجی دقیق تر را به شیوه ای سریع و آسان ارایه می دهند؛ بنابراین با ارایه روشی مناسب می توان صداهای نرمال از غیر نرمال را متمایز کرده و بیماری را با دقت بیشتری شناسایی کرد. صداهای سوم و چهارم قلب که به ترتیب ناشی از انبساط دیاستول و انقباض دهلیز هستند نسبت به دو صدای اول و دوم که در اثر بسته شدن دریچه ها ایجاد می شوند مدت زمان کوتاه تری داشته و ضعیف تر شنیده می شوند. این دو صدا در تشخیص بیماری هایی مانند سکته قلبی گذرا، هیپتروفی، فیبروز بطنی، کاردیومیوپاتی و هیپرتانسیون شنیده می شوند. روش بررسی: در این مقاله از پایگاه داده ثبت شده در چالش 2016 فیزیونت استفاده شده و الگوریتم پیشنهادی برای تشخیص صداهای سوم و چهارم قلب بر روی 50 فرد سالم و 50 بیمار مورد ارزیابی قرار گرفته است. داده ها طی یک دهه توسط 7 گروه تحقیقاتی در 7 کشور مختلف و به صورت مستقل به ثبت رسیده اند. از میان 5 پایگاه داده موجود تنها پایگاه داده A شامل هر دو سیگنال الکتروکاردیوگرام و فنوکاردیوگرام با طول های قابل قبولی در حد 40 ثانیه بود و در این مقاله مورد استفاده قرار گرفت. در این مقاله از ترکیب پوش همومورفیک و تجزیه به مولفه های ذاتی برای تشخیص صداهای S3 و S4 در سیگنال فونوکاردیوگرام استفاده شده است. ابتدا سیگنال های فنوکاردیوگرام به روش تجزیه به مولفه های ذاتی به سطوح مختلف فرکانسی تجزیه شده و سپس با اعمال فیلتر همومورفیک بر مولفه های اول تا سوم پوش فرکانس های برتر به دست آمدند. پس از اعمال یک فیلتر باترورث در نهایت صداهای سوم و چهارم کاملا متمایز شدند. یافتن صداهای سوم و چهارم قلب به دلیل دامنه پایین تری که نسبت به صداهای اول و دوم دارند دشوارتر است؛ اما با این روش به خوبی تمایز ایجاد شده است. یافته ها: الگوریتم پیشنهادی بر روی 50 فر بیمار و سالم مورد ارزیابی قرار گرفت و مولفه چهارم تجزیه به مولفه های ذاتی پتانسیل بیشتری برای تشخیص صداهای سوم و چهارم را نشان داد درحالی که مولفه های اول تا سوم برای تشخیص صداهای اول و دوم مناسب تر به نظر می رسیدند. از آنجا که سیگنال های الکتروکاردیوگرام داده های مورد بررسی نیز در دسترس بودند صداهای تشخیص داده شده با این سیگنال نیز مطابقت داده شد تا اعتبارسنجی لازم برای تایید نتایج صورت گرفته و مطابقت آن ها با موج های سیگنال الکتروکاردیوگرام حاکی از موفقیت این الگوریتم در تشخیص صداهای سوم و چهارم قلب است. نتایج نشان می دهد که الگوریتم پیشنهادی توانست با حساسیت 94 % و 86 % صداهای S3 و S4 را به ترتیب در افراد سالم و بیمار شناسایی کند نتیجه گیری:علیرغم مطالعات بسیاری که بر روی صداهای اول و دوم قلبی نسبت به صداهای سوم و چهارم انجام شده تاکید این مطالعه استفاده از روش تجزیه به مدهای ذاتی بر روی صداهای سوم و چهارم است. اهمیت بارز الگوریتم مطرح شده در این است که می تواند صداهای قلب را بدون ضرورت وجود سیگنال الکتروکاردیوگرام تشخیص داده و حتی با مقایسه بین سیگنالالکتروکاردیوگرام نتایج به دست آمده را اعتبارسنجی کرد و با استفاده از قطعه بندی انجام شده و با مقایسه آن با الگوریتم سیگنال فنوکاردیوگرام بیمار می توان به تشخیص بیماری های مربوط به صداهای S3 و S4 قلبی به پزشکان کمک کرد

کلیدواژه ها:

صداهای قلب ، فونوکاردیوگرافی ، پوش همومورفیک ، تجزیه به مولفه های ذاتی