An innovative intelligent system based on automatic diagnostic feature extraction for diagnosing heart diseases

چکیده
1-مقدمه
2-روش پژوهش
1-2 مرحله 1: روش استخراج ET
1-1-2 به دست آوردن صدای قلب و پیش پردازش
2-1-2 استخراج ET
شکل 1- دیاگرام بلوکی روش بررسی سیستم تشخیص هوشمند ابتکاری چهار مرحله ای پیشنهاد شده
شکل 2- نمایش اصول یافتن P1، S12، P2 و S21. (a) P1 ناحیه محلی نزدیک به S1 متناظر با NPP  . (b) S12 ناحیه موضعی   از S1 تا S2 متناظر با PNP   این ناحیه. (c) P2 ناحیه موضعی نزدیک به S2 متناظر با NPP  . (d) S21 ناحیه موضعی   از S2 تا S1 متناظر با PNP   این ناحیه.
شکل 3- روش تعیین و استخراج خودکار S1 و S2. (a-e) روش را برای مثالی از صدای نارسائی دریچه میترال (MR) ترسیم می کند و (f) و (g) روش را برای مثالی از صدای نرمال (NM) ترسیم می کند. 
2-2 مرحله 2: تعیین و استخراج خودکار S1 و S2
1-2-2 تبدیل هیلبرت اصلاح شده کوتاه مدت (STMHT)
2-2-2 استخراج خودکار S1 و S2
3-2 مرحله 3: تولید خودکار ویژگی های تشخیصی y1 و y2
1-3-2 پاکت های ثانویه برای تعریف S1 (به صورت SES1 نشان داده می شود) و برای تعریف S2 (به صورت SES2 نشان داده می شود)
2-3-2 تعریف و استخراج خودکار FFM ماتریس ویژگی فرکانس مبتنی بر STMHT 
3-3-2 نتایج تجربی برای چند نوع بیماری قلبی
شکل 4- مثالی برای تعریف ماتریس ویژگی فرکانس (FFM) و استخراج خودکار
جدول 1- توضیح ماتریس ویژگی ناحیه فرکانس FFM
شکل 5- مثال هایی از صدای قلب نرمال و صدای سه نوع بیمار قلبی، بیماری قلبی AR، AF و PS
4-3-2 ایجاد ویژگی های تشخیصی y1 و y2 براساس PCA
جدول 2- آنالیز آماری انحراف متوسط و استاندارد (STD) برای سیگنال های صدای AF دوره 152، سیگنال های صدای AR دوره 152، سیگنال های صدای MR دوره 231، سیگنال های صدای NM دوره 268 و سیگنال های صدای PS دوره 138
شکل 6- نمایش نمودار میله ای نتایج آنالیز آماری FFM تعریف شده با معادله 22 برای هر نوع بیماری قلبی (AF, AR,MR, NM, PS). میله ها مقدار متوسط برای هر ویژگی در محور X را نشان می دهد. آرایه ها در بالای میله، انحراف استاندارد حجم در هر نوع بیماری قلبی را نشان می دهد.
جدول 3- انحراف متوسط (FFMMean) و استاندارد (FFMSTD) ماتریس ویژگی FFM958x10
جدول 4-  بردارهای ویژه برای مولفه های اصلی
4-2 مرحله 4: تعریف روش دسته بندی براساس منحنی مرزی دسته بندی (g)
شکل 7- نتایج آنالیز مولفه های اصلی. a) چارت پارتو واریانس توزیع شده با هر مولفه اصلی حاصل از آنالیز مولفه های اصلی در ماتریس ویژگی FFM، b) نمودار دیاگرام پراکنش مولفه اصلی اول y1 و مولفه اصلی دوم، y2 و دیاگرام پراکنش مولفه اصلی اول y1، مولفه اصلی دوم y2 و مولفه اصلی سوم y3 در c نشان داده شده است.
1-4-2 ایجاد منحنی مرزی دسته بندی براساس SVM
2-4-2 تعریف روش تشخیص براساس منحنی های مرزی
شکل 8- مرزهای دسته بندی برای پارامترهای ویژگی استخراج شده از صداهای AF، AR، MR، NM و PS
جدول 5- نمایش ماتریس اغتشاش
3-ارزیابی عملکرد سیستم
1-3 مثال ها و توضیحات
شکل 9- VSD، MS، AR،MR، AF،PS و NM به عنوان مثال هایی برای معرفی نتایج تشخیص مبتنی بر دیاگرام پراکنش و تعیین خودکار S1 و S2 نشان داده شده اند.
جدول 6- نتایج تشخیص عددی برای تشخیص VSD، MS، AR،MR، AF،PS و NM
جدول 7- صداهای تجربی مورد استفاده برای ارزیابی عملکرد سیستم هوشمند پیشنهادی در این تحقیق
جدول 8- آنالیز قیاسی چهار روش مختلف برای تشخیص صدای AF دوره 188 از 14 بیمار، صدای AR دوره 181 از 17 بیمار، صدای MR دوره 257 از 25 بیمار، صدای NM دوره 325 از 25 بیمار و صدای PS دوره 150 از 7 بیمار
2-3 مقایسه با سایر روش ها برای تشخیص چند نوع بیماری قلبی متداول
جدول 9- صدای تجربی خلاصه شده در مطالعه [40] که برای ارزیابی عملکرد سیستم هوشمند پیشنهادی در این تحقیق به کار رفت.
جدول 10- مقایسه روش پیشنهادی در مطالعه [40] برای تشخیص صدای SVSD دوره 129 از 21 بیمار، صدای MVSD دوره 128 از 21 بیمار و صدای LVSD دوره 93 از 15 بیمار
شکل 10- مرزهای دسته بندی برای دو مولفه اصلی ایجاد شده از صداهای SVSD دوره 62 از 10 بیمار، صدای MVSD دوره 90 از 15 بیمار و صدای LVSD دوره 74 از 12 بیمار
3-3 مقایسه با روش قدیمی ما برای تشخیص سه نوع VSD
4-نتیجه گیری