سپیده جباری - دانشگاه تربیت مدرس، دانشکده مهندسی برق و کامپیوتر، گروه مهندسی پزشک
حسن قاسمیان - دانشگاه تربیت مدرس، دانشکده مهندسی برق و کامپیوتر، گروه مهندسی پزشک

براساس روش پیشنهادی در این مقاله، حداقل زیرباندهای موثر از درخت کامل تجزیه WP که بیشترین تمایزپذیری میان صداهای قلب افراد سالم و بیماران دریچه ای را ایجاد می کنند، انتخاب می شوند. پس از استخراج ضرایب WP متناظر با سیگنالهای صدای قلب (PCG) توسط موجک مادر db6، پایه آور تونرمال بهینه با بیشترین قدرت تفکیک کنندگی بین دو کلاس سالم و بیمار را با استفاده از الگوریتم پایه های جداکننده محلی (LDB) انتخاب کردیم. سپس، زیرباندهایی از پایه انتخابی را که خارج از محدوده فرکانسی 20 تا 750 هرتز (متناظر با محدوده فرکانسی سیگنالهای PCG) قرار داشتند. حذف نمودیم. با محاسبه انرژی نرمالیزه شده ضرایب مربوط به زیرباندهای انتخاب شده بردار ویژگی بدست آمد. در مرحله بعد با کمک معیار فاصله فیشر، هر یک از ویژگیها را از لحاظ توان تفکیک کنندگی رتبه بندی کردیم. روش پیشنهادی برروی کلاس مختلف سیگنالهای PCG مربوط به 30 فرد سالم و 30 بیمار با نقص دریچه ای قلب ارزیابی نموده و ویژگیها را براساس رتبه شان به یک طبقه بندی کننده MLP اعمال کردیم نتایج حاصل نشان داد که میتوان با انتخاب 21 زیرباند از درخت کامل WP به دقت 94% رسید. با توجه به بومی بودن دادگان ثبت شده ، دقت بدست آمده قابل رقابت باکارهای مشابه است. این درحالی است که توانسته ایم ابعاد بردار ویژگی را بمیزان قابل قبولی کاهش دهیم.

الگوریتم LDB، تبدیل WP، سیگنالهای صدای قلب، معیار فیشر