طبقه بندی بیماری های قلب با استفاده از مدل سازی سیگنال صدای قلب در فضای فاز بازسازی شده abstract
این مقاله از یک رویکرد جدید استخراج ویژگی برای تشخیص موثر بیماری های قلب توسط پردازش سیگنال برای تجزیه و تحلیل پویایی غیر خطی سیگنال های فونوکاردیوگرام در حوزه زمان استفاده می کند. با بهره گیری از نتایج نظری به دست آمده در دینامیک غیرخطی، توانستسم با استفاده از
مدل سازی سیگنال
صدای قلب در فضای بازسازی شده، توزیع جاذب را برای تشخیص بیماری های قلب استخراج کنیم. در این
مدل سازی بر روی اطلاعات دینامیک و استاتیک جاذب ها کار شده است و معماری شبکه عصبی اصتفاده شده ترکیبی از شبکه ی عصبی پیچشی (CNN) و شبکه ی حافظه طولانی کوتاه مدت دوسویه (BiLSTM) می باشد که به آن شبکه ی CRNN گویند. نتایج پایه ما در این تحقیق ۹۸/۰۰ درصد در ویژگی های مبتنی بر آشوب توسط طبقه بند ماشین بردار پشتیبان (SVM) و ۹۸/۹۰ درصد بر روی سیگنال خام رفع نویز شده که به طور مستقیم به شبکه اعمال شده بودند. در زمنه استخراج استاتیک و دینامیک جاذب ها هرکدام به ترتیب به دقت ۹۹/۵۰ درصد و ۹۹/۲۰ درصد دست یافتیم و در ادامه با ترکیب این دو در ورودی شبکه افزایش دقت داشتیم که دقت ۰۰/۶۰ درصد برای آن محاسبه شد. بیشتری دقت ما در روش پیشنهادی بر روی ترکیب دینامیک و استاتیک جاذب ها در احتمال های بدست آمده برای هر نمونه در خروجی شبکه است که به ۹۹/۹۰ درصد افزایش یافت. در نهایت با ترکیب اطلاعات دینامیک و استاتیک جاذب ها همراه با سیگنال خام رفع نویز شده در احتمال های بدست آمده از خروجی شبکه، به دقت ۱۰۰ درصد دست یافتیم.