پژوهشگران گروه مخابرات دانشگاه تربیت مدرس طی پژوهشی موفق به طبقه بندی صدای قلب با استفاده از تبدیلات شکلینه و سری زمانی و ابعاد فراکتالی شدند. استفاده از روش پیشنهادی این پژوهش سبب بهبود طبقه بندی و رسیدن به دقت کل ۹۹.۲ درصد شده است.
قلب مهمترین عضو بدن است که خون را به مغز و سایر اندامهای بدن میرساند. آشکارسازی ناهنجاری در صدای قلب (فونوکاردیوگرام) یکی از روشهای مهم برای تشخیص بیماریهای قلبی است. پویا سید قاسمی که این پژوهش در قالب پایان نامه کارشناسی ارشد وی در رشته مهندسی برق، مخابرات - مخابرات سیستم انجام شده است، گفت: استفاده از ابزار هوش مصنوعی میتواند کارایی و دقت این تشخیص را بهبود بخشد. سیگنال صدای قلب حاوی اطلاعات قابل توجهی از وضعیت دریچهها و عروق قلب است. میتوان با تحلیل دقیقتر صدای قلب ناهنجاریهای احتمالی دریچه های-عروقی را آشکار کرد.
وی ادامه داد: ناهنجاریهای قلبی در بازه یک سیکل قلب سبب ایجاد صدای اضافه یا سوفل میشوند. بررسی زمان-شکلی این ناهنجاری سبب تشخیص نوع بیماری میشود. از طرفی نیاز به تجربه و خبرگی برای تشخیص بیماری بوسیله صدای قلب و همچنین خطاهای انسانی در تشخیص بیماریهای قلبی، سبب انگیزهای جهت خودکار کردن این فرایند شده است.
مهندس سید قاسمی به روشهای متعدد تشخیص بیماریهای قلبی بوسیله صدای قلب اشاره کرد و گفت: در سالهای اخیر روشهای متعددی جهت تشخیص بیماریهای قلبی بوسیله صدای قلب پیشنهاد شده است که هر کدام مزایا و معایب خود را دارند. در این پژوهش با توجه به ویژگیهای زمان-شکلی صدای قلب سعی در طراحی کرنلهای (فیلتر) لایه CNN شبکه عصبی با الهام از ویژگیهای زمانی-شکلی (تبدیل شکلینه) صدای قلب شده است.
وی در تشریح روش پیشنهادی خود اظهار داشت: در ۴ روش پیشنهادی ارائه شده در این تحقیق نشان داده شده است که جایگذاری شکلینههای محاسبه شده در کرنل لایه CNN سبب کاهش هزینه آموزش (کاهش نمونههای آموزشی) و افزایش دقت میشود. استفاده از ویژگیهای فرکتالی به همراه ویژگیهای شکلی آن، سبب بهبود طبقه بندی و رسیدن به دقت کل ۲/۹۹ درصد شده است. علاوه بر سادگی محاسبات، این روش قابلیت استفاده در سامانههای ارزان قیمت با سرعت پاسخگویی مناسب دارد.
گفتنی است این پژوهش در قالب پایان نامه کارشناسی ارشد پویا سید قاسمی با راهنمایی دکتر محمد حسن قاسمیان یزدی در دانشکده مهندسی برق و کامپیوتر دانشگاه انجام شد.