ارزیابی و تخمین ویژگی‌های جدید از روی دادگان صدای قلبی به منظور تشخیص ناهنجاری‌های قلب

نوع مقاله : مقاله های پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد، گروه مهندسی پزشکی (بیوالکتریک)، دانشکده‌ی فن‌آوری‌های نوین علوم پزشکی و کمیته‌ی تحقیقات دانشجویی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران

2 دانشیار، گروه مهندسی پزشکی (بیوالکتریک)، دانشکده‌ی فن‌آوری‌های نوین علوم پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران

3 استاد، مرکز تحقیقات بازتوانی قلب، پژوهشکده‌ی قلب و عروق، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران

4 دانشجوی دکتری، گروه مهندسی پزشکی، کمیته‌ی تحقیقات دانشجویی، دانشکده‌ی فن‌آوری‌های نوین پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران

چکیده

مقدمه: امروزه 31 درصد از مرگ و میرهای جهانی را بیماری‌های قلبی- عروقی تشکیل می‌دهند و علت اصلی مرگ و میر در جهان به شمار می‌روند. به علت مشکلاتی مثل عدم وجود تکنولوژی‌هایی همچون اکوکاردیوگرافی و دسترسی محدود به پزشکان متخصص در مناطق غیر پیشرفته از روش‌های خودکار برای تشخیص ناهنجاری مرتبط با فونوکاردیوگرام (Phonocardiogram یا PCG) استفاده می‌شود.روش‌ها: در این پژوهش، جهت تمایز افراد طبیعی از بیماران قلبی، سه دسته ویژگی از روی سیگنال PCG تخمین زده و ارزیابی شد. دسته‌ی اول، استخراج ویژگی نرخ ضربان قلب و تغییرات آن، دسته‌ی دوم، برخی ویژگی‌های مورد استفاده در تجزیه و تحلیل گفتار و شناسایی الگو و دسته‌ی سوم، ویژگی‌های مرکز جرم زمانی سیگنال، مرکز جرم فرکانسی سیگنال و عرض باند مؤثر سیگنال بودند. در این پژوهش، روش‌هایی به منظور استخراج این ویژگی‌ها پیشنهاد و به کمک آزمون t مورد بررسی و اعتبارسنجی قرار گرفت.یافته‌ها: نتایج اعتبارسنجی برای 10 ویژگی پیشنهادی که در آن مقادیر 010/0 > P انتخاب شدند، نشان داد که 8 ویژگی می‌تواند تمایز دهنده‌ی خوبی برای جدا کردن سیگنال غیر طبیعی از طبیعی باشد.نتیجه‌گیری: با توجه به الگوهای به دست آمده از ویژگی‌های استخراج شده، تمایز بین سیگنال غیر طبیعی و طبیعی به خوبی مشاهده شد که از این ویژگی‌ها، برای طبقه‌بندی سیگنال PCG می‌توان استفاده کرد. همچنین، در آینده می‌توان با استفاده از عملیات دیگری نظیر هم‌بستگی بر روی این الگوها، ویژگی‌های جدیدی استخراج کرد.

کلیدواژه‌ها


عنوان مقاله [English]

Estimation and Evaluation of New Features from Phonocardiogram for Detecting Cardiovascular Abnormalities

نویسندگان [English]

  • Mahdi Nourian-Zavareh 1
  • Saeed Kermani 2
  • Mohammad Hashemi-Jazi 3
  • Maryam Samieinasab 4
1 MSc Student, Department of Bioelectrics and Biomedical Engineering, Student Research Committee, School of Advanced Technologies in Medicine, Isfahan University of Medical Sciences, Isfahan, Iran
2 Associate Professor, Department of Bioelectrics and Biomedical Engineering, School of Advanced Technologies in Medicine, Isfahan University of Medical Sciences, Isfahan, Iran
3 Professor, Cardiac Rehabilitation Research Center, Cardiovascular Research Institute, Isfahan University of Medical Sciences, Isfahan, Iran
4 PhD Student, Department of Biomedical Engineering, Student Research Committee, School of Advanced Technologies in Medicine, Isfahan University of Medical Sciences, Isfahan, Iran
چکیده [English]

Background: In the world, cardiovascular diseases are the major cause of death, as 31% of global mortality is from them. Due to problems such as the lack of technologies such as echocardiography, and limited access to cardiologists in deprived areas, automatic methods for detecting heart abnormalities in phonocardiogram (PCG) are used.Methods: In this study, to distinguish between normal and abnormal cases, three categories of features in PCG were estimated and evaluated. First, the extraction of the heart rate and heart rate variability; second, some of the features used in speech analysis and pattern recognition; and third, the time center, the frequency center, and the frequency variance of the signal. Some methods were proposed for extracting desired features, and the data were analyzed using t-test.Findings: The results of evaluation of the 10 proposed features, with the p-value of less than 0.010, showed that 8 features had significant distinction to detect abnormal cases from the normal ones.Conclusion: Regarding the patterns of the extracted features, the distinction between normal and abnormal signals was observed, which can be used to classify PCGs. Moreover, in the future, new features can be extracted from these patterns using some other analysis such as correlation.

کلیدواژه‌ها [English]

  • Phonocardiography
  • Cardiovascular abnormalities
  • Diagnosis
  • Computer-assisted
  • classification
  1. World Health Organization. Cardiovascular diseases (CVDs) [Online]. [cited 2017 May 17]; Available from: URL: https://www.who.int/en/news-room/fact-sheets/detail/cardiovascular-diseases-(cvds)
  2. Liu C, Springer D, Li Q, Moody B, Juan RA, Chorro FJ, et al. An open access database for the evaluation of heart sound algorithms. Physiol Meas 2016; 37(12): 2181-213.
  3. Perez-Guzman RE, Garcia-Bermudez R, Rojas-Ruiz F, Cespedes-Perez A, Ojeda-Riquenes Y. Evaluation of algorithms for automatic classification of heart sound signals. Proceedings of the 5th International Conference on Bioinformatics and Biomedical Engineerin; 2017 26-28 Apr; Granda, Spain. Cham, Switzerland: Springer International Publishing; 2017 p. 536-45.
  4. Balili CC, Sobrepena CC, Naval PC. Classification of heart sounds using discrete and continuous wavelet transform and random forests. Proceedings of 3rd IAPR Asian Conference on Pattern Recognition (ACPR); 2015 Nov 3-6; Kuala Lumpur, Malaysia. p. 655-9.
  5. Moukadem A, Dieterlen A, Brandt C. Shannon Entropy based on the S-Transform Spectrogram applied on the classification of heart sounds. Proceedings of 2013 IEEE International Conference on Acoustics, Speech and Signal; 2013 May 26-31; Vancouver, BC, Canada. p. 704-8.
  6. Potes C, Parvaneh S, Rahman A, Conroy B. Ensemble of feature-based and deep learning-based classifiers for detection of abnormal heart sounds. Proceedings of the 2016 Computing in Cardiology Conference (CinC); 2016 Sep 11-14; Vancouver, BC, Canada. p. 621-4.
  7. Godino-Llorente JI, Gomez-Vilda P. Automatic detection of voice impairments by means of short-term cepstral parameters and neural network based detectors. IEEE Transactions on Biomedical Engineering 2004; 51(2): 380-4.
  8. Homsi MN, Medina N, Hernandez M, Quintero N, Perpinan G, Quintana A, et al. Automatic heart sound recording classification using a nested set of ensemble algorithms. Proceedings of the 2016 Computing in Cardiology Conference (CinC); 2016 Sep 11-14; Vancouver, BC, Canada. p. 817-20.
  9. Goda MA., Hajas P. Morphological determination of pathological PCG signals by time and frequency domain analysis. Proceedings of the 2016 Computing in Cardiology Conference (CinC); 2016 Sep 11-14; Vancouver, BC, Canada. p. 1133-6.
  10. Flandrin P. Time-Frequency/Time-Scale Analysis. vol. 10. Wavelet Analysis and Its Applications. 1st ed. Cambridge, MA: Academic Press; 1998.
  11. Debbal SM, Bereksi-Reguig F. Time-frequency analysis of the first and the second heartbeat sounds. Appl Math Comput 2007; 184(2): 1041-52.
  12. Clifford GD, Liu C, Moody B, Springer D, Silva I, Li Q, et al. Classification of normal/abnormal heart sound recordings: The PhysioNet/Computing in Cardiology Challenge 2016. Proceedings of the 2016 Computing in Cardiology Conference (CinC); 2016 Sep 11-14; Vancouver, BC, Canada. p. 609-12.
  13. Springer DB, Brennan T, Ntusi N, Abdelrahman HY, Zuhlke LJ, Mayosi BM, et al. Automated signal quality assessment of mobile phone-recorded heart sound signals. J Med Eng Technol 2016; 40(7-8): 342-55.
  14. Zali A, Arefian N. Heart rate variability. Pajouhesh Dar Pezeshki 2012; 36(3): 163-6. [In Persian].
  15. Schmidt SE, Holst-Hansen C, Graff C, Toft E, Struijk JJ. Segmentation of heart sound recordings by a duration-dependent hidden Markov model. Physiol Meas 2010; 31(4): 513-29.
  16. Kong J. A study on jitter, shimmer and F0 of Mandarin infant voice by developing an applied method of voice signal processing. Proceedings of the 2008 Congress on Image and Signal Processing; Sanya, Hainan, China. p. 314-8.
  17. Zhao Z, Shen Q, Ren F. Heart sound biometric system based on marginal spectrum analysis. Sensors (Basel) 2013; 13(2): 2530-51.
  18. Wilks' Lambda: Simple Definition [Online]. [cited 2017 Dec 26]; Available from: URL: https://www.statisticshowto.datasciencecentral.com/wilks-lambda