قلب مهم ترین عضو بدن است که خون را به مغز و سایر اندام های بدن می رساند. آشکارسازی ناهنجاری در صدای قلب (phonocardiogram) یکی از روش های مهم برای تشخیص بیماری های قلبی است. پویا سید قاسمی که این پژوهش در قالب پایان نامه کارشناسی ارشد وی در رشته مهندسی برق، مخابرات - مخابرات سیستم انجام شده است، با بیان این مقدمه افزود: استفاده از ابزار هوش مصنوعی می تواند کارایی و دقت این تشخیص را بهبود بخشد. سیگنال صدای قلب حاوی اطلاعات قابل توجهی از وضعیت دریچه ها و عروق قلب است. می توان با تحلیل دقیق تر صدای قلب ناهنجاری های احتمالی دریچه های-عروقی را آشکار کرد.
وی ادامه داد: ناهنجاری های قلبی در بازه یک سیکل قلب سبب ایجاد صدای اضافه یا سوفل می شوند. بررسی زمان-شکلی این ناهنجاری سبب تشخیص نوع بیماری می شود. از طرفی نیاز به تجربه و خبرگی برای تشخیص بیماری بوسیله صدای قلب و همچنین خطاهای انسانی در تشخیص بیماری های قلبی، سبب انگیزه ای جهت خودکار کردن این فرایند شده است.
مهندس سید قاسمی به روش های متعدد تشخیص بیماری های قلبی بوسیله صدای قلب اشاره کرد و گفت: در سال های اخیر روش های متعددی جهت تشخیص بیماری های قلبی بوسیله صدای قلب پیشنهاد شده است که هر کدام مزایا و معایب خود را دارند. در این پژوهش با توجه به ویژگی های زمان-شکلی صدای قلب سعی در طراحی کرنل های (فیلتر) لایه CNNشبکه عصبی با الهام از ویژگی های زمانی-شکلی (تبدیل شکلینه) صدای قلب شده است.
وی در تشریح روش پیشنهادی خود اظهار داشت: در 4 روش پیشنهادی ارائه شده در این تحقیق نشان داده شده است که جایگذاری شکلینه های محاسبه شده در کرنل لایه CNN سبب کاهش هزینه آموزش (کاهش نمونه های آموزشی) و افزایش دقت می گردد. استفاده از ویژگی های فرکتالی به همراه ویژگی های شکلی آن، سبب بهبود طبقه بندی و رسیدن به دقت کل 2/99 درصد شده است. علاوه بر سادگی محاسبات، این روش قابلیت استفاده در سامانه های ارزان قیمت با سرعت پاسخگویی مناسب دارد.
گفتنی است این پژوهش در قالب پایان نامه کارشناسی ارشد پویا سید قاسمی با راهنمایی دکتر محمد حسن قاسمیان یزدی در دانشکده مهندسی برق و کامپیوتر دانشگاه انجام شد.