دوره 17، شماره 3 - ( 9-1399 )                   جلد 17 شماره 3 صفحات 157-176 | برگشت به فهرست نسخه ها


XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Mokhlessi O, Seyed Mahdavi Chabok S, Alirezaee A. Selecting effective features from Phonocardiography by Genetic Algorithm based on Pearson`s Coefficients Correlation. JSDP. 2020; 17 (3) :157-176
URL: http://jsdp.rcisp.ac.ir/article-1-508-fa.html
مخلصی امید، سید مهدوی چابک سید جواد، علیرضائی آیدا. انتخاب ویژگی‌های مؤثر در ناهنجاری‌های دریچه‌ای قلب با استفاده از الگوریتم ژنتیک بر اساس ارزیابی همبستگی پیرسون. پردازش علائم و داده‌ها. 1399; 17 (3) :157-176

URL: http://jsdp.rcisp.ac.ir/article-1-508-fa.html


دانشکده مهندسی برق، دانشگاه آزاد اسلامی، مشهد
چکیده:   (223 مشاهده)
امروزه اختلالات دریچههای قلبی یکی از اصلیترین عوامل مرگ و میر در جهان هستند. این اختلالات عبارت است از بروز عوارضی در دریچه‌های قلبی به‌نحوی که موجب تغییر شکل و یا تخریب دریچهها شده و به تبع آن صداهای ناشی از باز و بسته‌شدن آنها نسبت به قلب سالم، دچار تغییر شوند. بدیهی است با توجه به پیچیدگی‌های سیگنال‌های صوتی قلبی و ثبت آنها، طراحی سامانه‌ای عاری از خطا و در عین حال دقیق از نظر میزان صحت تشخیص به‌سختی دست‌یافتنی باشد. با این وجود در این پژوهش تلاش شده است، سامانه‌ای هوشمند برای تشخیص نارساییهای دریچهای قلب با استفاده از سیگنال‌های صوتی فونوکاردیوگرافی ارائه شود تا بیشینه قدرت تشخیصی را داشته باشد. هدف اصلی در روش پیشنهادی انتخاب بردارهای ویژگی مؤثر با استفاده از روش بهینهسازی ژنتیک و نیز بر اساس تابع ارزیابی مبتنی بر ضرایب همبستگی پیرسون است. پیش از انتخاب ویژگی با توجه به ماهیت سیگنال های صوتی قلب، مراحل پیشپردازشی شامل ثبت داده‌ها، نرمالسازی، تقسیم‌بندی و فیلتر‌کردن مورد استفاده قرار گرفته تا صحت عملکرد سامانه را افزایش دهد. در گام بعدی سه دسته ویژگی‌های مختلف زمانی، موجک و انرژی سیگنال (هر یک پانزده ویژگی) از روی سیگنال عاری از نوفه استخراج شده که با توجه به تراکم و ناهمبستگی این ویژگیها، به‌کمک روش‌های ادغام، همبسته‌سازی و نیز کاهش فضای مسأله شامل تجزیه و تحلیل مؤلفه‌های اصلی، تحلیل جداکننده‌های خطی و تحلیل جداکننده‌های خطی ناهمبسته بردارهای ویژگی در فضای جدیدی استخراج می‌شوند. این بردارها شامل هجده بردار جدید (هر یک شش بردار) بوده که در‌نهایت از شبکه پرسپترون چندلایه و المن برای طبقه‌بندی آنها استفاده می‌شود. نتایج مدل‌سازی فرآیند انتخاب ویژگی‌های مؤثر و تشخیص بیماری نشان از کارایی روش پیشنهادی دارد.
متن کامل [PDF 5155 kb]   (68 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: مقالات گروه علائم حیاتی ( مرتبط با مهندسی پزشکی)
دریافت: 1395/2/6 | پذیرش: 1399/5/29 | انتشار: 1399/9/15 | انتشار الکترونیک: 1399/9/15

فهرست منابع
1. [1] A. P. Yoganathan, R. Gupta, F. E. Udwadia, J. W. Miller, W. H. Corcoran, R. Sarma, J. L. Johnson, and R. J. Bing. "Use of the fast Fourier transform in the frequency analysis of the first heart sound in normal man", Med Biol Eng Compute, No. 14, pp.69-73, 1976. [DOI:10.1007/BF02477093] [PMID]
2. [2] A. P. Yoganathan, R. Gupta, F. E. Udwadia, W. H. Corcoran, R. Sarma, and R. J. Bing. "Use of the fast fourier transform in the frequency analysis of the second heart sound in normal man," Med Biol Eng Comput, No.14, pp.455-460, 1976. [DOI:10.1007/BF02476124] [PMID]
3. [3] A. Sepehri, A. Gharehbaghi, T. Dutoit, A. Kocharianc, A. Kiani, "A novel method for pediatric heart sound segmentation without using the ECG", computer methods and programs in biomedicine, 2009. [DOI:10.1016/j.cmpb.2009.10.006] [PMID]
4. [4] C. Ahlstrom, "Nonlinear Phonocardiographic Signal Processing", Link¨oping studies in science and technology Dissertations, No. 1168, 2008.
5. [5] C. J. Liu, and H. Wechsler, "A Shape- and Texture-Based Enhanced Fisher Classifier for Face Recognition," IEEE Trans. Image Processing, vol. 10, no. 4, pp. 598-608, 2001. [DOI:10.1109/83.913594] [PMID]
6. [6] C. Yang, L. Wang, J. Feng, "On Feature Extraction via Kernels", IEEE Transaction on and systems, vol. 38, no. 2, 2008. [DOI:10.1109/TSMCB.2007.913604] [PMID]
7. [7] C.Guyton, and J.E.hall, Texbook of Medical Physiology, 2006.
8. [8] E. Comak, A. Arslan, I. Turkoglu. "A decision support system based on support vector machines for diagnosis of the heart valve diseases", Computers in Biology and Medicine, No.37, pp. 21-27, 2007. [DOI:10.1016/j.compbiomed.2005.11.002] [PMID]
9. [9] F. Pattarin, S. Paterlini, T. Minerva, "Clustering financial time series: An application to mutual funds style analysis", Computational Statistics and Data Analysis, 2004. [DOI:10.1016/j.csda.2003.11.009]
10. [10] F. Ye, Z. Shi, Z. Shi, "A Comparative Study of PCA, LDA and Kernel LDA for Image Classification", International Symposium on Ubiquitous Virtual Reality, 2009. [DOI:10.1109/ISUVR.2009.26]
11. [11] F.Rushmer, C.Morgan, "Meaning of murmurs", American Journal of Cardiology, pp. 722-730, 1968. [DOI:10.1016/0002-9149(68)90271-3]
12. [12] Frontiers_in_bioscience,http://www.bioscience.org/atlases/heart/sound/sound.htm
13. [13] G. Amit, N. Gavriely, N. Intrator, "Cluster analysis and classification of heart sounds", Biomedical Signal Processing and Control 4, pp. 26-36, 2009. [DOI:10.1016/j.bspc.2008.07.003]
14. [14] G. Smith, T.C. Fogarty and I.R. Johnson, "Genetic selection of feature for clustering and classification", 1994.
15. [15] G.Guraksın, U.Ergun and O.Deperlioglu, "The Analysis of Heart Sounds and a Pocket Computer Application via Discrete Fourier Transform, Fourier Transforms", New Analytical Approaches and FTIR Strategies, 2008.
16. [16] Hall, M.A. "Correlation-based Feature selection for Machine Learning," Ph.D. Thesis, Department of Computer Science. Hamilton, New Zeland: The University of Waikato, 1999.
17. [17] I. Dagher, "Incremental PCA-LDA Algorithm", International Journal of Biometrics and Bioinformatics (IJBB), Vol. 4: Issue (2), 2008.
18. [18] I. Maglogiannisa, E. Loukisb, E. Zafiropoulosb, A. Stasisb, "Support Vectors Machine-based identification of heart valve diseases using heart sounds", computer methods and programs in biomedicine. Vol.9, No.5, pp. 47-61, 2009. [DOI:10.1016/j.cmpb.2009.01.003] [PMID]
19. [19] I. Turkoglu, A. Arslan, E. Ilkay, "An expert system for diagnosis of the heart valve diseases", Expert Systems with Applications, 2002. [DOI:10.1016/S0957-4174(02)00042-8]
20. [20] I. Turkoglua, A. Arslanb, E. Ilkay, "An intelligent system for diagnosis of the heart valve diseases with wavelet packet neural networks", Computers in Biology and Medicine, pp.319-331, 2003. [DOI:10.1016/S0010-4825(03)00002-7]
21. [21] I.-S. Oh, J.-S. Lee and B.-R. Moon, "Hybrid genetic algorithms for feature selection," IEEE Trans. Pattern Anal. Mach. Intel., vol. 26, no. 11, pp. 1424-1437, 2004. [DOI:10.1109/TPAMI.2004.105] [PMID]
22. [22] J. H. Holland, "Adaptation in natural and artificial systems", Ann Arbor, MI, Univ of Michigan, 1975
23. [23] J. Krajewski, M. Golz, D. Sommer, & R. Wieland, "Genetic Algorithm Based Feature Selection Applied on Predicting Micro sleep from Speech", 4th European Congress of the International Federation for Medical and Biological Engineering (MBEC), Antwerpen, Belgium,2008. [DOI:10.1007/978-3-540-89208-3_46]
24. [24] J. M. Alajarın, R. R.Merino, "Efficient method for events detection in phonocardiographic signals", in Proceedings of SPIE, Vol. 5839. pp. 398-409, 2005.
25. [25] J. Tian, R.W. Dai, "Fingerprint classification system with feedback mechanism based on genetic algorithm", IEEE Trans. Syst, 1998.
26. [26] J. Yang , 1998, V. Honavar , "Feature Subset Selection Using a Genetic Algorithm", intelligent Systems, IEEE computers Society , pp. 44-49. [DOI:10.1109/5254.671091]
27. [27] J. Yu, Q.i Tian, T. Rui, T. S. Huang, "Integrating Discriminant and Descriptive Information for Dimension Reduction and Classification", IEEE Transaction on circuits and systems for video technology, vol. 17, no. 3, 2007. [DOI:10.1109/TCSVT.2007.890861]
28. [28] J.Ye, 2005, "Characterization of a Family of Algorithms for Generalized Discriminant Analysis on Undersampled Problems", Journal of Machine Learning Research, No.6, pp.483-502.
29. [29] Y. Jieping, R. Janardan, Q. Li, H. Park, "Feature Reduction via Generalized Uncorrelated Linear Discriminant Analysis", IEEE Transaction on knowledge and data engineering, 2006. [DOI:10.1109/TKDE.2006.160]
30. [30] K. Abbas, Abbas, R.M. Kasim, "Mitral Regurgitation PCG-Signal Classification based on Adaptive Db-Wavele", 4th Kuala Lumpur International Conference on Biomedical Engineering, 2008.
31. [31] K. Patil, "An efficient retrieval technique for heart sounds using psychoacoustic similarity", International Journal of Engineering Science and Technology Vol. 2, No. 12, pp.7324-7328, 2010.
32. [32] L. Oliveira, R. Sabourin, F. Bortolozzi, and C. Suen. "A methodology for feature selection using multi-objective genetic algorithms for handwritten digit string recognition", International Journal of Pattern Recognition, 2003. [DOI:10.1142/S021800140300271X]
33. [33] M. Dash, H. Liu, "Consistency-based search in feature selection," Artificial Intelligence, No.151, pp. 155-176, Elsevier Pub, 2003. [DOI:10.1016/S0004-3702(03)00079-1]
34. [34] M. Ichino, J. Sklansky, "Optimum feature selection by zero-one programming," IEEE Trans. on Systems, Man and Cybernetics, SMC, Vol.14, No.5, pp.737-746, 1984. [DOI:10.1109/TSMC.1984.6313294]
35. [35] M. T. Pourazad, Z. Moussavi, and G. Thomas, "Heart sound cancellation from lung sound recordings using time-frequency filtering", Med Biol Eng Comput, Vol.44, No.3, pp.216-25, 2006. [DOI:10.1007/s11517-006-0030-8] [PMID]
36. [36] N. Belhumeur, J. Hespanha, and D. Kriegman, "Eigenfaces vs. Fisherfaces: Recognition Using Class Specific Linear Projection,"Proc. ECCV, pp. 45-58, 1996. [DOI:10.1007/BFb0015522]
37. [37] N. KwakC.H, Choi, "Input Feature Selection for Classification Problems", IEEE Transactions on Neural Networks, vol. 13, no.1, 2002. [DOI:10.1109/72.977291] [PMID]
38. [38] O. Mokhlessi; H.M. Rad, N. Mehrshad,; "Utilization of 4 types of Artificial Neural Network on the diagnosis of valve-physiological heart disease from heart sounds", 17th Iranian Conference of Biomedical Engineering (ICBME) IEEE Conferences, 2010. [DOI:10.1109/ICBME.2010.5704934]
39. [39] O.Mokhlessi, N.Mehrshad, S .Razavi. "Using Mixture Structures of Neural Networks in Order to Detect Cardiac Arrhythmias Using Fusion of Temporal and Wavelet Features", 2011.
40. [40] P. PChunrong, 2007, P.Zhang, P. Jianhuan, "A Dynamic Feature Extraction Based on Wavelet Transforms for Speaker Recognition", IEEE Transaction. [DOI:10.1109/ICEMI.2007.4350520]
41. [41] Q. Hu, W. Pedrycz, D. Yu, J. Lang "Selecting Discrete and Continuous Features Based on Neighbourhood Decision Error Minimization", IEEE Transactions on System, 2009.
42. [42] R. Duda, P.E. Hart, D.G. Stork, "Pattern Classification", second ed., Wiley Publishing, New York, 2007.
43. [43] R. Jensen, Q. Shen, "Finding Rough Set Reducts with Ant Colony Optimization", Proceedings of the UK Workshop on Computational Intelligence, pp 15-22, 2003.
44. [44] R.A. Fisher, "The Use of Multiple Measures in Taxonomic Problems," Ann. Eugenics, vol. 7, pp. 179-188, 1936. [DOI:10.1111/j.1469-1809.1936.tb02137.x]
45. [45] R.F. Rushmer, Cardiovascular Dynamics, 4yh ed. W.B. Saunders, Philadelphia, 1976.
46. [46] Richeldi, M., Lanzi, P. Performing "Effiective Feature Selection by Investigating the Deep Structure of the Data", pp. 379-383 of: Proceedings of the Second International Conference on Knowledge Discovery and Data Mining. AAAI Press, 1996.
47. [47] S.A. Subbotin, A.A. Oleynik, V.K. Yatzenko, "Feature Selection Based on the Modification of Ant Colony Optimization Method" // Radioelectronics and Informatics, 2006. [DOI:10.1109/CADSM.2007.4297628]
48. [48] S.Areerachakul, S.Sanguansintukul, "Classification and Regression Trees and MLP Neural Network to Classify Water Quality of Canals in Bangkok", Thailand, International Journal of Intelligent Computing Research (IJICR), 2010. [DOI:10.20533/ijicr.2042.4655.2010.0004]
49. [49] S.R. Bhatikar, C. DeGroff, R.L. Mahajan, "A classifier based on the artificial neural network approach for cardiologic auscultation in pediatrics", Artificial Intelligence in Medicine. Vol.33, No.3, pp. 251-260, 2005. [DOI:10.1016/j.artmed.2004.07.008] [PMID]
50. [50] T. Joliffe, "Principal Component Analysis". New York: Springer Verlag, 1986. [DOI:10.1007/978-1-4757-1904-8] [PMCID]
51. [51] T. Jolliffe, "Principal Component Analysis", Statistical Theory and Methods, Springer, 2002.
52. [52] T.Olmez, Z.Dokur, "Classification of heart sounds using an artificial neural network", Pattern Recognition Letters 24 617-629, 2003. [DOI:10.1016/S0167-8655(02)00281-7]
53. [53] http://feeds.texasheart.org/HeartSoundsPodcastSeries
54. [54] https://www.wilkes.med.ucla.edu/inex.html
55. [55] X S. Zhang, Y S. Zhu, N V. Thakor, Z. Wang, "Detecting ventricular tachycardia and fibrillation by complexity measure", IEEE Trans. Biomed. Eng, No.46, pp. 548-555, 1999. [DOI:10.1109/10.759055] [PMID]
56. [56] Y.C. Yeh, W.J. Wang, C.W. Chiou, "Feature selection algorithm for ECG signals using Range-Overlaps Method", Expert Systems with Applications, 2009. [DOI:10.1016/j.eswa.2009.10.037]
57. [57] Z. Dokur, T. Olmez, "Feature determination for heart sounds based on divergence analysis", Digital Signal Process, pp 521-531, 2008. [DOI:10.1016/j.dsp.2007.11.003]
58. [58] Z. Jiang, S. Choi, "A cardiac sound characteristic waveform method for in-home heart disorder monitoring with electric stethoscope", Expert Systems with Applications, Vol. 3, No, 2, pp. 286-298, 2006. [DOI:10.1016/j.eswa.2005.09.025]

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


کلیه حقوق این تارنما متعلق به فصل‌نامة علمی - پژوهشی پردازش علائم و داده‌ها است.