دانلود ترجمه مقاله تشخیص تنگی دریچه آئورت با استخراج پارامتر سیگنال های صوتی قلب (اسپرینگر 2005)

تشخیص تنگی دریچه آئورت با استخراج پارامتر سیگنال های صوتی قلب

Diagnosing Aortic Valve Stenosis by Parameter Extraction of Heart Sound Signals

چکیده
مقدمه
روش شناسی
جمع آوری داده و بیماران
پردازش سیگنال
آنالیز موجک مالتی رزولوشن
قطعه بندی سیگنال ها
تبدیل فوریه کوتاه مدت و تبدیل موجک
استخراج پارامتر
آمار
نتایج
بحث
نتیجه گیری
منابع

چکیده
هدف از این مطالعه طراحی یک سیستم آنالیز سیگنال خودکار برای تشخیص صدای قلب بود. این سیستم باید به پزشک عمومی در تشخیص زودهنگام تنگی دریچه آئورت کمک کند تا نیاز به مداخلات جراحی را کاهش دهد. روش آنالیز به کار گرفته شده بر دسته بندی سیگنال های صدای قلب با استفاده از استخراج پارامتر استوار است. سری های جدید از تخریب موجک یک چرخه ی قلبی و همچنین از تبدیل فوریه کوتاه مدت (STFT) و طیف تبدیل موجک (WT) گرفته شدند. در چندین بخش، پارامترها استخراج شده و آنالیزگردیدند. علاوه بر این، خصوصیات تبدیل فوریه سریع (FFT) سیگنال خام نیز ارزیابی شدند. در این مطالعه 206 بیمار مشارکت داشتند که از میان آنها 159 نفر یا بیماری قلبی نداشتند یا بیماری قلبی آنها از نوع تنگ شدگی دریچه ی آئورت نبود و 47 نفر باقیمانده به درجات مختلفی (خفیف، ملایم و حاد) از تنگی آئورت مبتلا بودند. برای تفکیک گروه ها به منظور کاهش مجموعه پارامترها از تابع افتراقی خطی استفاده شد. حساسیت سیستم طبقه بندی دو سطحی معرفی شده برای تشخیص خودکار تنگی دریچه ی آئورت برای تنگ شدگی های حاد و متوسط 100% و برای تنگ شدگی های خفیف 75% بود. اختصاصیت این سیستم برای بیماران غیر مبتلا به تنگ شدگی دریچه ی آئورت 93.7% بود. روش ابداع شده در این مطالعه قوی و مقرون به صرفه بوده و استفاده از آن بسیار آسان است و به این ترتیب، می تواند یک روش مناسب برای تشخیص تنگ شدگی دریچه ی آئورت توسط پزشکان عمومی باشد.

روش شناسی
جمع آوری داده و بیماران
با استفاده از یک استتوسکوپ الکترونیکی و با یک پاسخ فرکانسی خطی از 20 هرتز تا 20 کیلوهرتز، سیگنال-های صدای قلب 206 بیمار به مدت 15 ثانیه روی 7 ناحیه مختلف ضبط شد. یک ECG تک لید ضبط شد تا یک حدود برای سیکل های مجزای قلب به دست آید. هر دو سیگنال با استفاده از یک کارت صدای فراهم کننده نمونه برداری 44100 هرتز و رزولوشن 16 بیت دیجیتالی شده و در یک پایگاه داده به همراه یک گزارش اکوکاردیوگرافی تاییده شده توسط یک کاردیولوژیست ذخیره شدند.

با توجه به فواصل RR بدست آمده از سیگنال ECG، صداهای ضبط شده به دوره های قلبی مجزا تفکیک شدند. بنابراین، پیک های R به صورت خودکار تشخیص داده شدند که از یک الگوریتم خودتوسعه یافته بر اساس یافتن بالاترین دامنه ی دوره ای در سیگنال استفاده می کنند. تمام صداهای ضبط شده به صورت دستی ویرایش شدند. دوره های دارای نویزهای مشخص از آنالیز بیشتر کنار گذاشته شدند.

علاوه بر این، روشی یرای تشخیص صدای اول و دوم قلب به کار گرفته شد. این روش بر دو رویکرد مستقل استوار بود؛ محاسبه انرژی شانون سیگنالی که موجک آن در طول زمان فیلتر شده (0-172 هرتز) و توتال پاور محاسبه شده با جمع کردن تمام ضرایب هر پنجره تبدیل فوریه کوتاه مدت ((STFT) ( نیرو-زمان-STFT). دو نقطه بیشنه ی هر سری زمانی در چهارچوب های زمانی معین تشخیص داده شدند (صدای اول قلب: 0-150ms ، صدای دوم قلب: 350-600 ms ). این بیشینه ها در صورتی به عنوان صدای اول و دوم قلب پذیرفته می شدند که تفاوت جایگاه آنها در هر دو سری زمانی از 70ms تجاوز نمی کرد. محل صداهای قلب نهایتا از روی مقادیر میانگین جایگاه های بیشینه در هر دو سری زمانی محاسبه شد.

از تمام دوره های زمانی پذیرفته شده هر صدای ضبط شده، یک دوره قلبی مجزا بر اساس بالاترین میانگین ضریب همبستگی نسبت به سایر دوره های پذیرفته شده انتخاب شد. برای کاهش زحمت و زمان محاسبه تنها این دوره های قلبی منتخب در محاسبات دیگر استفاده شدند.