استفاده از یادگیری عمیق در استخراج ویژگی سیگنالهای صدای قلب برای تشخیص آریتمی ها

سیگنال ECG به طور وسیعی برای تشخیص بیماریهای قلبی در بیمارستانها و کلینیک ها استفاده می شود. در تشخیص بیماریهای مختلف قلبی ، تحلیل سیگنالهای PCG و ECG مهم و حیاتی است زیرا که این سیگنالهای می توانند نشانه زود هنگامی از نابهنجاریهای بالقوه قلبی را فرآهم کنند. استخراج اطلاعات قلبی از روی سیگنالهای PCG و ECG برای تشخیص بیماریهای قلبی در مرحله ابتدایی بیماریها می تواند یک نقش حیاتی را در مانیتورینگ بیمار از راه دور ایفا نماید. در این مقاله ، تکنیک های مختلف پردازش سیگنال از جمله یادگیری ماشین (ML) و یادگیری عمیق (DL) را با هم ترکیب کرده ایم تا فشرده سازی، حذف نویز، بخش بندی و طبقه بندی سیگنالهای PCG و ECG به طور موثر و دقیقی صورت گیرد. ابتدا با استفاده از تکنیک تجزیه و تحلیل چند رزلوشنه مبتنی بر تبدیل موجک گسسته (DWT)، سیگنالهای PCG فشرده سازی و حذف نویز می شوند. سپس ، برای بخش بندی سیگنال PCG به چهار بخش اصلی اولین صدای قلب (۱(S، فاصله زمانی سیستول، دومین صدای قلب (۲(S و فاصله زمین دیاستول، یک الگوریتم بخش بندی بر اساس پوش انرژی شانون و عبور از صفر اعمال می گردد. در آخر، برای استخراج ویژگی های حاوی اطلاعات از روی سیگنالهای PCG که بعدا برای طبقه بندی هر سیگنال PCG به یک سیگنال نرمال و یا یک سیگنال غیر نرمال به یک طبقه بندی کننده داده می شوند، اسپگتوگرام توان Mel-Scale و ضرایب استفاده می شوند.

Keywords:

موجک گسسته , فشرده سازی , سیگنالهای PCG و طبقه بند