Signal and Data Processing

fa تقارن اطلاعات فرکانسی صدای ریه راست و چپ و تشخیص عفونت در بیماران فیبروز کیستیک Symmetry of Frequency information in Right and Left Lung sound and Infection Detection in Cystic Fibrosis Patients مقالات گروه علائم حیاتی ( مرتبط با مهندسی پزشکی) Paper پژوهشي Research <div style="text-align: justify;">بیماری فیبروز کیستیک(&rlm;CF&rlm; یا &rlm;Cystic fibrosis&rlm;) شایع‌ترین &rlm;اختلال چند‌سیستمی است که علت اصلی مرگ و میر ناشی از این بیماری مربوط به &rlm;عفونت مزمن ریوی و عوارض آن &rlm;است. حدود60-75% بیماران &rlm;CF&rlm; به‌صورت مداوم دچار عفونت &rlm;سودوموناس می‌شوند؛ لذا بیماران &rlm;CF&rlm; باید پیوسته تحت مراقبت پزشک &rlm;باشند تا در‌صورت بروز عفونت به‌سرعت نسبت به درمان آن &rlm;اقدام شود. اگر چه کشت خلط یا حلق روش استاندارد تشخیص &rlm;عفونت است، ولی به‌دست‌آوردن نتیجه آن، زمان‌بر بوده و &rlm;روشی که وجود عفونت را سریع‌تر تشخیص دهد، باعث &rlm;سهولت در امر تشخیص و شروع درمان با آنتی‌بیوتیک &rlm;می‌شود. این مطالعه با هدف استفاده از صدای تنفس بیماران &rlm;CF&rlm; برای تشخیص وجود عفونت  و موفقیت درمان انجام شد. به این منظور، تقارن اطلاعات سیگنال صدای ریه &rlm;راست و چپ در بیماران &rlm;CF&rlm; در حالت بدون عفونت، دارای عفونت &rlm;سودوموناس و نیز پس &rlm;از &rlm;درمان عفونت سودوموناس بررسی &rlm;شد. ابتدا صدای تنفس 34 بیمار CF ثبت و پس از انجام پیش پردازش‌های لازم، 15ویژگی از آنها استخراج و با روش الگوریتم ژنتیک بهترین دسته ویژگی از ویژگی‌‌های به‌دست‌آمده استخراج و با روش کنار‌گذاشتن یک شرکت‌کننده به سه طبقه‌بند ماشین بردار پشتیبان، K نزدیک‌ترین همسایگی و بیزین داده شد. همچنین روش ترکیب سه طبقه‌بند نیز بررسی شد. بهترین نتایج توسط روش ترکیب طبقه‌بندها به‌دست آمد که وجود عفونت با صحت %3/91 و موفقیت درمان با صحت %9/90 تشخیص &rlm;داده شدند. &rlm;در این مطالعه برای نخستین‌بار از صدای تنفس بیماران CF برای تشخیص عفونت استفاده شده است. روش پیشنهادی، آسان و در دسترس بوده و می‌تواند در شروع به درمان سریع و پیگیری روند درمان به پزشکان کمک کند.</div> <div style="text-align: justify;">Cystic fibrosis (CF) is the most common autosomal recessive disorder in white skinned individuals. Chronic lung infection is the main cause of mortality in this disease. Approximately 60–75 % of adult CF patients frequently suffer from Pseudomonas aeruginosa (PA) infection that is strongly associated with inflammation, lung destruction, and increased mortality. Therefore, CF patients should be followed up by physicians to diagnose infection in the primary stage, start treatment, and reduce the risk of chronic infection. Although sputum culture is the gold standard for diagnosis of PA infections, a rapid and accurate diagnostic method can facilitate early initiation of appropriate therapy and easy monitoring of the condition. The aim of this study was to diagnose CF patients with infection using their lung sound. In this study, the symmetry of frequency information in right and left lung was investigated in CF patients with positive sputum culture results, negative sputum culture results&lrm;, and patients who underwent treatment with antibiotics. Respiretorysounds were acquired from 34 CF patients (16 female, 18 male) who were being &lrm;followed-up at the Pediatric Respiratory and Sleep Medicine Research Center of Children's &lrm;Medical Center. The patient selection was based on their sputum microbiology culture. The selection &lrm;category was as follows: 12 patients with normal flora culture results and 11 patients with PA &lrm;infection. Also, respiratory sounds of 11 patients were recorded one month after antibiotic treatment and they used to investigate the effectiveness of the proposed method. In the preprocessing step, cardiac sound was removed, respiratory sound cycles were separated and the signals were divided into 64 milisecond frame and 15 features were extracted from each frame. Differences between these features were computed between right and left lungs for early, middle and late section of the respiratory cycle using the new proposed feature. Then, the best group of features was selected by applying Genetic Algorithm. The selected group of features was fed into Support Vector Machine, K Nearest Neighbor and Naïve Bayesian classifier. Also, an Ensemble classifier was examined. The best result was obtained by Ensemble classifier that diagnosed infection by the accuracy of 91.3% and differentiates a group of CF patients with infection from CF patients who underwent treatment with an accuracy of 90.9%. This study describes a novel method of infection detection in CF patients based only on respiratory sound analysis. The proposed method is a simple and available way for early diagnosis of infection and initiating therapeutic strategies.</div> فیبروز کیستیک, صدای تنفس, تقارن اطلاعاتی, ترکیب طبقه‌بندها Cystic Fibrosis, Respiratory Sound, Information Symmetry, Ensemble classifier 70 59 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-139-1&slc_lang=fa&sid=1 Arezoo Karimizadeh آرزو کریمی زاده a.karimizadeh@ee.kntu.ac.ir 10031947532846009094 10031947532846009094 No K. N. Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی Mansour Vali منصور ولی mansour.vali@eetd.kntu.ac.ir 10031947532846009095 10031947532846009095 Yes K. N. Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی mohammadreza modaresi محمدرضا مدرسی mr-modaresi@sina.tums.ac.ir 10031947532846009096 10031947532846009096 No دانشگاه علوم پزشکی تهران