ارائه کننده: سید امیر لطیفی 
استاد راهنما: دکتر محمد حسن قاسمیان
استاد ناظر داخلی اول: دکتر مریم ایمانی
استاد ناظر داخلی دوم: دکتر نادر مکاری 
استاد ناظر خارجی اول: دکتر روزبه رجبی (دانشگاه صنعتی قم )
 تاریخ: 1402/04/11 
ساعت: 10 تا 12 
مکان: آزمایشگاه پردازش تصویر و آنالیز اطلاعات (اتاق 42/6)

چکیده :

تشخیص ناهنجاری های ریه و قلب با استفاده از تجزیه و تحلیل صداهای ریه و قلب یک روش غیر تهاجمی برای شروع درمان می باشد. سيگنال صداي قلب حاوي اطلاعات قابل توجهي از وضعيت دريچه ها و عروق قلب است، به گونه اي که مي تواند گوياي عملكرد دريچه ها و وضعيت قلب باشد.همچنین،  پس از شیوع جهانی COVID-19 در اواخر سال 2019 و هزینه بالای روشهای تشخیص مانند تهیه تصاویر CT   و   MRI قفسه سینه و تست های کرونا، نیاز به ارائه یک روش غیر تهاجمی ارزان قیمت را مطرح کرده است. این پایان نامه به ارائه یک روش سریع و کم هزینه، که بتواند با سامانه های ارزان قیمت در درمانگاه ها به صورت بیدرنگ با صحت و اعتبار بالا فرایند تشخیص را انجام دهد، می پردازد. محدودیت نمونه های با بر چسب صحیح و قابل قبول و بالا بودن هزینه تهیه این گونه نمونه ها مسئله دیگر این تحقیق می باشد. در این تحقیق طراحی تلفیقی از مجموعه فیلتری (filter bank)  با الهام از سامانه شنوایی انسان، برای استخراج هوشمند ویژگیهای صدای قلب و ریه ارائه شده است. سپس این طرح در قالب معماری یک شبکه کانولوشنی  CNNکه توسط واحدهای حافظه کوتاه مدت  (LSTM) تقویت شده ارئه می گردد. عملکرد این شبکه از نظر صحت و اعتبار با سه مدل شبکه عصبی دیگر (MLP,CNN,DCNN) مقایسه می‌شود. نتایج تجربی نشان می دهد که ادغام واحدهای LSTM با CNN به طور قابل توجهی صحت و اعتبار طبقه بندی صدای قلب و ریه را بهبود می بخشد. لایه LSTM  به طور موثر وابستگی های زمانی را کسب می کند و به استخراج ویژگی های بهتر کمک می کند. نتایج نشان می‌دهد که روش پیشنهادی حتی با نمونه‌های آموزشی کم، به دقت طبقه‌بندی بالاتری دست می‌یابد رویکرد پیشنهادی نتایج امیدوارکننده‌ای را در تجزیه و تحلیل خودکار این صداها با کاربردهای بالقوه در تشخیص و تشخیص زود هنگام بیماری‌های قلبی-عروقی و تنفسی نشان می‌دهد. صحت کلی طبقه بندی صدای قلب به بیش از 95% با شبکه LSTM-CNN،  و برای صدای ریه به بیش از 90% با همین شبکه می باشد. که نشانگر کارایی این شبکه در مقابل روشهای متداول استخراج ویژگی مانند MFCC و تبدیل موجک بیشتر می باشد.