Heart sound segmentation using signal processing methods
- Global styles
- Apa
- Bibtex
- Chicago Fullnote
- Help
Abstract
Kalpte oluşan fiziksel bozuklukların kan akışını etkilemesi sonucu oluşan seslere üfürüm denir. Üfürümler birçok kalp hastalığının birincil habercisidir. Kalp seslerini stetoskop aracılığıyla dinlemek (oskültasyon) suretiyle üfürümler üzerinden teşhis yapılabilse de, bu tür teşhisler tıbbi uzmanlık gerektirmektedir ve hatalara oldukça açıktır. Literatürde otomatik sınıflandırma algoritmaları önerilmiş olsa da; ses dalgabiçimlerinden ayıklanacak olan özniteliklerin kalp atımı içerisindeki konumları teşhis açısından önem taşıdığı için, öncelikle birinci ve ikinci kalp seslerinin konumlarını belirlemek ve buna göre öznitelik seçmek gereklidir. Kalp atımlarının saptanması ve ayrıştırılması işlemine bölütleme (segmentasyon) adı verilmektedir. Kalp sinyalinin organik yapısı dolayısıyla öngörülebilir bir frekans-zaman profilinin olmaması, sadece ses kaydını kullanarak bölütleme işini zorlaştırmaktadır. Birçok ticari sistemde harici olarak bir EKG sinyali da kaydedilse de, EKG aygıtlarının stetoskop kadar yaygın olmaması bu sistemlerin erişilebilirliğini düşürmektedir. Yalnızca kalp sesi kullanarak bölütleme yapan algoritmalar olsa da, bu algoritmaların hepsinin üzerinde sonuç sunduğu ortak bir veritabanı yoktur. Bu çalışmada, var olan algoritmalara çeşitli uyarlamaların yanı sıra, bu çeşitlemeleri karşılaştırmak için kullanılabilecek bir değerlendirme ölçütü öneriyoruz. Örnekleri için elle yapılmış bölütlemelerin mevcut olduğu Pascal veritabanından alınmış 66 kayıt üzerinde bu yaklaşımların tüm kombinasyonlarını karşılaştırıyoruz. Bunun yanı sıra birkaç yöntemi karıştırarak sonuç kalitesini artırmayı amaçlayan bir birleşim de öneriyoruz. Karşılaştırdığımız tekil algoritmalar % 62'ye varan başarılar gösterirken önerdiğimiz birleşim ile % 75'lik bir başarı oranına ulaştık. Son olarak, Pascal gibi denetleme amaçlı veritabanlarının kolayca ve hatasız şekilde oluşturulabilmesi için bir araç ürettik. Heart murmurs are pathological heart sounds that originate from blood flowing with abnormal turbulence due to physiological defects of the heart, and are the prime indicator of many heart-related diseases. Murmurs can be diagnosed via auscultation; that is, by listening with a stethoscope. However, manual detection and classification of murmur requires clinical expertise and is highly prone to error. Although automated classification algorithms exist for this purpose; they heavily depend on feature extraction from 'segmented' heart sound waveforms. Segmentation in this context refers to detecting and splitting cardiac cycles. However, heart sound signal is not a stationary signal; and typically has a low signal-to-noise ratio, which makes it very difficult to segment using no external information but the signal itself. Most of the commercial systems require an external ECG signal to determine S1 and S2 peaks, but ECG is not as widely available as stethoscopes. Although algorithms that provide segmentation using sound alone exist, a proper comparison between these algorithms on a common data set is missing. We propose several modifications to many of these algorithms, as well as an evaluation method that allows a unified comparison of all these approaches. We have tested each combination of algorithms on a real data set, which also provides manual annotations as ground truth. We also propose an ensemble of several methods, and a heuristic for which algorithm's output to use. Whereas tested algorithms report up to 62 % accuracy, our ensemble method reports a 75 % success rate. Finally, we created a tool named UpBeat to enable manual segmentation of heart sounds, and construction of a ground truth data set. UpBeat is a starting medium for auscultation segmentation, time-domain based feature extraction and evaluation; which has automatic segmentation capabilities, as well as a minimalistic drag-and-drop interface which allows manual annotation of S1 and S2 peaks.
Collections