Sayısal stetoskop ile elde edilen kalp ses (fonokardiyogram) sinyallerinin bölütlenmesi ve sınıflandırılması

Abstract

Dijital bir stetoskop aracılığıyla hastadan elde edilen kalp sesleri ile özellikle birinci basamak hekimlerinin duyulabilir kalp rahatsızlıklarını erken evrede teşhis etmesine katkıda bulunacak karar destek mekanizması geliştirmek bu çalışmanın asıl amacını oluşturmaktadır. Hedef kitledeki hekimlerin kolaylıkla duyamadıkları kalp rahatsızlıklarını bir sistemin duyup tanımasını sağlayarak hekimler arasındaki bilgi ve tecrübe farklılıklarını kapatmak, tüm hekimlere tecrübeli bir kardiyoloji uzmanı mertebesinde oskültasyon yeteneği kazandıran otomatik bir sistem ortaya çıkarmak önemli bir amaç ve çalışma alanıdır.Kalp hastalıklarının sınıflandırma başarısı S1 ve S2 segmentlerinin doğru belirlenmesine bağlıdır. EKG referans sinyali kullanılmaksızın bölütleme yöntemleri doğal olarak daha karmaşık olabilmektedir. Hastane ortamında stetoskop ile hastalardan toplanan kalp sesleri ortam gürültüsü, konuşma, hırıltı, sürtünme gibi bir çok çevresel sesi de içerisinde taşımaktadır. Kalp rahatsızlığına bağlı olarak gürültü benzeri üfürüm sesleri de toplanan bu kalp sesleri içerisinde bulunmaktadır. Temel kalp seslerinin bu gürültülü veriden temizlenmesi için Ayrık Dalgacık Dönüşümü (DWT) ve Mel-Frekans Kepstral Katsayıları (MFCC) çözüm olarak kullanılmıştır. S1-S2 yerlerinin belirlenebilmesi için ise sinyal otokorelasyonu kullanılarak kalp atım hızı ve sistol zaman aralığı tespit edilmiştir. Geliştirilen bu algoritma ile hastalık bilgisi taşımayan normal kalp sesleri üzerinden S1 ve S2 sesleri %98,19 kesinlik ve %98,52 hassasiyet ile tespit edilirken, anormal kalp sesleri üzerinde yapılan çalışmada %94,31 kesinlik ve %96,92 hassasiyet ile tespitler yapılmıştır.Bölütlenen kalp sesleri üzerinden her ses bölgesi için on farklı ayırt edici öznitelik çıkarılmıştır. Gözetimli sınıflandırıcılar yardımıyla Aort Darlığı, Mitral Yetmezliği, Aort Yetmezliği, Mitral Darlığı ve Normal kalp ses sinyallerinin kimliklendirilmesi yapılmıştır. Bu çalışmada Destek Vektör Makinaları, K-En Yakın Komşu, Yapay Sinir Ağları ve Karar Ağaçları gözetimli sınıflandırma yöntemleri kullanılarak bu hastalıklar üzerinde sınıflandırma perfromans karşılaştırması yapılmıştır. Aort Darlığı, Mitral Yetmezliği, Aort Yetmezliği, Mitral Darlığı ve Normal kalp ses sinyallerinin Destek Vektör Makinaları, K-En Yakın Komşu, Yapay Sinir Ağları ve Karar Ağaçları ile sınıflandırma performansı ayrı ayrı raporlanmıştır. Bu sonuçlara bakıldığında farklı sorunlar için farklı sınıflandırıcıların iyi performans gösterdiği anlaşılmıştır.

The main purpose of this work is to develop a decision support mechanism that will contribute to the early diagnosis of extraordinary heart diseases by the help of a digital stethoscope, especially for primary care physicians. It is an important goal and field of study to create an automatic system that gives all physicians the ability to auscultate in an experienced cardiologist's profession by closing the differences of knowledge and experience among the physicians by providing a system to hear and understand the heart diseases that the physicians can not easily hear.The classification of heart diseases depends on the correct identifications of S1 and S2 segments. Without the ECG reference signal, segmentation methods become naturally more complicated. In the hospital environment, the heart sounds collected from the patients by the stethoscope carry many environmental sounds such as ambient noise, speech, wheezing, and friction. Besides, depending on the heart condition, noise like murmur is also included in these heart sounds. Discrete Wavelet Transform (DWT) and Mel-Frequency Cepstral Coefficient (MFCC) are used as a hybrid solution for the filtering of the noise content of basic heart sounds. In order to determine S1-S2 locations, heart rate and systolic time intervals are determined using signal autocorrelation. As a result of this proposed algorithm, S1 and S2 sounds are detected with 98.19% precision and 98.52% recall for normal heart sounds, while S1 and S2 are detected with precision of 94.31% and recall of 96.92% for abnormal heart sounds.Ten different discriminating features are derived for each sound interval from the segmented heart sounds. With supervised classification methods, identification of Aortic Stenosis, Mitral Regurgitation, Aortic Regurgitation, Mitral Stenosis and Normal heart sound signals are performed. In this study, the Support Vector Machines, K-Nearest Neighbor, Artificial Neural Networks and Decision Trees supervised classification methods are compared with respect to the classification performance over these diseases. Classification performance is separately reported for Support Vector Machines, K-Nearest Neighbor, Artificial Neural Networks and Decision Trees of Aortic Stenosis, Mitral Regurgitation, Aortic Regurgitation, Mitral Stenosis and Normal heart sound signals. From these results it can be seen that different classifiers can perform well for different problems.