پایان نامه > کتابخانه مرکزی دانشگاه صنعتی شاهرود > مهندسی برق > مقطع کارشناسی ارشد > سال 1405
پدیدآورندگان:
مریم سالم زیاره [پدیدآور اصلی]، حسین مروی[استاد راهنما]، سمیرا مغانی [استاد مشاور]
چکیده: چکیده
بیماریهای قلبی از مهمترین عوامل مرگومیر در جهان هستند و تشخیص زودهنگام آنها نقش مهمی در بهبود درمان و کاهش هزینههای پزشکی دارد. سیگنال فونوکاردیوگرام (PCG) به عنوان یک روش غیرتهاجمی و کمهزینه، اطلاعات ارزشمندی درباره عملکرد قلب و ناهنجاریهای مرتبط با آن فراهم میکند. با این حال، وجود نویز و پیچیدگی ذاتی سیگنالهای قلبی، تشخیص خودکار بیماریهای قلبی را با چالش مواجه میسازد.
در این پژوهش، یک چارچوب هوشمند برای طبقهبندی خودکار سیگنالهای فونوکاردیوگرام ارائه شده است. سیگنالهای مجموعهداده Yaseen شامل پنج کلاس نرمال، تنگی دریچه آئورت (AS)، نارسایی دریچه میترال (MR)، تنگی دریچه میترال (MS) و افتادگی دریچه میترال (MVP) ابتدا تحت مراحل پیشپردازش شامل بازنمونهبرداری، فیلترگذاری، حذف نویز، نرمالسازی و یکسانسازی طول قرار گرفتند. سپس به منظور افزایش تنوع دادههای آموزشی، یک راهبرد افزایش داده با عنوان Class-Aware Hybrid PCG Augmentation (CHPA) طراحی شد. در ادامه، ویژگیهای آکوستیکی و ادراکی شامل ضرایب MFCC، مشتقات مرتبه اول و دوم MFCC، ضرایب PLP و ویژگیهای طیفی استخراج گردید.
به منظور ارزیابی کارایی ویژگیهای استخراجشده، ابتدا چندین طبقهبند یادگیری ماشین شامل SVM، Random Forest، KNN، Logistic Regression، Extra Trees و Gradient Boosting مورد بررسی قرار گرفتند. سپس عملکرد یک شبکه عصبی کانولوشنی (CNN) و در نهایت معماری پیشنهادی CHPA Multi-Scale SE-CNN ارزیابی شد. این معماری با بهرهگیری از بلوکهای کانولوشنی چندمقیاسه و مکانیزم توجه کانالی Squeeze-and-Excitation قادر است الگوهای زمانی موجود در مقیاسهای مختلف را استخراج و مهمترین ویژگیها را تقویت کند.
نتایج حاصل از اعتبارسنجی متقاطع پنجتایی نشان داد که بهترین طبقهبند کلاسیک، مدل SVM با دقت 99٪ بوده است. همچنین شبکه CNN به دقت 99.20٪ دست یافت. در نهایت، معماری پیشنهادی CHPA Multi-Scale SE-CNN با دستیابی به دقت 99.30٪، دقت مثبت پیشبینی 99.33٪، حساسیت 99.30٪، ویژگی 99.82٪ و امتیاز F1 برابر با 99.30٪، بهترین عملکرد را در میان تمامی روشهای مورد بررسی ارائه کرد. نتایج این پژوهش نشان میدهد که ترکیب ویژگیهای آکوستیکی، راهبرد افزایش داده CHPA و معماری چندمقیاسه مبتنی بر توجه کانالی، رویکردی مؤثر برای تشخیص خودکار بیماریهای قلبی مبتنی بر سیگنالهای فونوکاردیوگرام فراهم میکند.
کلید واژه ها (نمایه ها):
#کلمات کلیدی: فونوکاردیوگرام #تشخیص بیماریهای قلبی #CHPA #یادگیری عمیق #CNN #Multi-Scale SE-CNN #MFCC #PLP.
محل نگهداری: کتابخانه مرکزی دانشگاه صنعتی شاهرود
یادداشت: حقوق مادی و معنوی متعلق به دانشگاه صنعتی شاهرود می باشد.
تعداد بازدید کننده: