Kardiyak Doppler işaretleri analiz ve sınıflandırma sistemi: KARDİAS

Abstract

Doppler ekokardiyografi, klinik uygulamalarda daralma ve yetmezlik gibi kalp kapakçık sorunlarını ve diğer kalp kan akışıyla ilintili rahatsızlıkları belirlemek için sıklıkla kullanılan, güvenilir ve noninvazif bir yöntemdir.Varolan ultrasonik Doppler cihazlarının hiçbirisi hastalık teşhis öngürüsü için zeki uzman sistem kullanmaz. Bu amaçla, zeki bir uzman teşhis sistemi tasarlanmış ve ek bir donanımla Doppler ekokardiyografi cihazlarına eklenmiştir. Ayrıca yapılan bu çalışmayla kullanımdaki ultrasonik Doppler cihazlarının ürün yaşam çevrimleri de uzatılabilecektir. Bu çalışmada tasarlanan akıllı teşhis öngörü sistemi, Doppler ekokardiyografi cihazının ses çıkışından yaralanarak kardiyak Doppler (KD) işaretlerinin spektral analizini ve sınıflandırmasını yapmaktadır. Tüm yazılım modül ve alt modülleri grafik programlama dili LabVIEW'da geliştirilmiş ve LabVIEW eklentileri kullanılmamıştır.Donanım ve yazılım olarak tasarlanan KD işaretleri analiz ve sınıflandırıcı (KARDİAS) sistemi, gerçek zamanlı çalışma ve çevrimdışı çalışma yazılım modüllerinden oluşmaktadır. Bu modüllerde, örneklenen KD işaretleri görüntülenmekte ve kaydedilmekte ve çeşitli spektral analiz teknikleri kullanılarak zaman-frekans gösterimleri elde edilmektedir. Ayrıca, ÇDÇ modülünde yapay sinir ağları (YSA) kullanılarak KD işaretlerinin sınıflandırılması yapılmaktadır.Sınıflandırmada önce çerçevelenmiş KD işaretlerinin ayrık dalgacık dönüşümü alınmaktadır. Daha sonra, ön işlemlerden geçirilen KD işaretleri kullanılarak YSA giriş özellik vektörleri elde edilmektedir. Etkin özellik çıkarımı ve sınıflandırma başarısı teşhise yönelik zeki örüntü tanıma çalışmalarında önemli iki temel öğe olmuşlardır. Bu çalışmanın sınıflandırıcı uzman sistem bölümünde, özellik çıkarımı için 4 YSA yöntemi kullanılmış ve bu yöntemlerin başarısı gösterilmiştir. Özellik çıkarım yöntemi olarak üç yeni yöntem geliştirilmiş ve özellik çıkarımı alanına bilimsel katkı yapılmıştır. Ayrıca bu yöntemler ile birleşik YSA yapısı oluşturularak tanı öngörüsü başarısı arttırılmıştır.

Doppler echocardiography is a reliable and noninvasive method that frequently used in clinical applications in order to determine cardiac valve disorders such as stenosis and insufficiency, and other diseases associated with the cardiac blood flow problems.None of the available Doppler ultrasonic devices uses intelligent expert system for diagnosis prediction. For this purpose, an intelligent expert diagnosis system has been designed and added to Doppler echocardiography devices with additional hardware. With this work, also the product life cycle of the ultrasonic Doppler devices in use can be extended. In this study, the designed intelligent expert diagnosis system performs the spectral analysis and classification of the cardiac Doppler (CD) signals by means of the audio output of the Doppler echocardiography device. All the software modules and sub-modules have been developed in LabVIEW graphical programming language and no LabVIEW addons are used.CD signal analyzer and classifier system (KARDİAS) designed as hardware and software consists of real-time (online) and offline working modules. In these modules, sampled CD signals are shown and recorded and their time-frequency representations are obtained using various spectral analysis techniques. Furthermore, CD signals are classified by using artificial neural networks in the offline module.In the process of classification, at first, the discrete wavelet transform of the framed CD signals are performed. Then, by using CD signals that were pre-processed, the ANN input feature vectors are obtained. Effective feature extraction and classification success have become two important key elements in diagnosis-oriented intelligent pattern recognition studies. In the classifier expert system part of this study, four ANN methods have been used for feature extraction and the success of these methods has been shown. Three new methods have been developed as feature extraction method and the scientific contributions have been made in feature extraction area. Additionally, creating a unified ANN structure with these methods, prediction success of the diagnosis has been increased.