ارائه کننده: احمد نصراله پور
استاد راهنما: دكتر توكتم خطيبي
استاد داور داخلي: دكتر الهام آخوند زاده نوقايي
استاد داور خارج از دانشگاه: دكتر ساناز زرگر
نماينده تحصيلات تكميلي: دكتر الهام آخوند زاده نوقايي
تاریخ: 1403/03/13
ساعت: 12:30
مكان: اتاق 218 دانشكده مهندسي صنايع و سيستم ها

چکیده:
بر اساس آخرین آمار سازمان جهانی بهداشت، بیماری های قلبی عروقی عامل اصلی مرگ و میر در جهان به شمار می­روند. در حالی که هوش مصنوعی تجزیه و تحلیل داده های پزشکی را متحول کرده است اما استراتژی های موجود اغلب بر یادگیری نظارت شده تکیه دارند که نیازمند داده های برچسب گذاری شده است، با پیشرفت فناوری طی سال­های اخیر تولید داده­های بدون برچسب به شدت افزایش یافته است و برچسب زدن به این داده­ها به خصوص در حوزه سلامت نیاز به افراد خبره و متخصص دارد که این کار بسیار پرهزینه و زمان بر است.
 این تحقیق با هدف ارائه یک چارچوب یادگیری خودناظر برای طبقه بندی و تشخیص بیماری های قلبی با تحلیل صدای قلب با رویکرد یادگیری عمیق انجام شده است. داده­های مورد استفاده در این پژوهش مربوط به چالش صدای قلب فیزیونت در سال 2016 می­باشد که شامل 3240 صدای قلب در دو کلاس صدای طبیعی و صدای غیر طبیعی می­باشد. این داده ها با همکاری موسسات در کشورهای مختلف از جمله ایران جمع­آوری و به صورت عموم به اشتراک گذاشته شده است.
در گام اول سیگنال های صدای قلب با استفاده از روش قطعه بندی اشپرینگر به بازه های ضربان قلب تقسیم شد، سپس به جهت هموار کردن سطح سیگنال از تبدیل همومورفیک پاکتی استفاده شد و در گام بعد از هر یک از این بازه ها مشتق مرتبه اول گرفته شود و فضایی که بین ضربان قلب و مشتق آن ایجاد شد رنگ آمیزی شد و در قالب یک تصویر 2-بعدی ذخیره شد. سپس دو سناریو برای انجام تحقیق پیشنهاد شد. در سناریو اول با استفاده از مدل های از پیش آموزش دیده از تصاویر ویژگی­ استخراج شد و با استفاده از این ویژگی­ها چهار مدل طبقه بند، XGBoost، Bagging، Adaboost و جنگل تصادفی ساخته شدند و نتایج هر یک مقایسه و ارزیابی شدند که در نهایت ResNet50 به عنوان برترین استخراج کننده ویژگی انتخاب شد. سپس در سناریو دوم از پنج استخراج کننده برتر به عنوان رمزگذار برای یادگیری بازنمایی­ها در معماری SimSiam  استفاده شد. در گام آخر به روش ارزیابی خطی با استفاده از 10%، 15% و 20% از داده های برچسب دار بازنمایی­ های بدست آمده ارزیابی شده اند.
هدف از اجرای سناریوی اول صرفا یافتن بهترین مدل برای استخراج ویژگی از تصاویر ساخته شده می­ باشد که ویژگی­های استخراج شده توسط ResNet50 و به همراه ساخت مدل دست بند توسط XGBoost به دقت 93%، صحت 93%، یادآوری 93% و معیار-F 93% دست یافته شد. .در سناریوی دوم با توجه به مقایسه و ارزیابی عملکرد سناریوهای پیشنهادی معماری SimSiam ساخته شده توسط ResNet50 بهترین عملکرد را از خود نشان داد که به ترتیب با 20% داده­ های برچسب گذاری شده به دقت 83% ، صحت 83%، یادآوری 83% و معیار-F %83 دست یافته شد. همچنین با 15% داده های برچسب گذاری شده به دقت 76.26%، صحت 86%، یادآوری 67% و معیار-F %75 دست یافته شد و در نهایت با 10% داده های برچسب گذاری شده به دقت 84.25%، صحت 84%، یادآوری 89% و معیار-F  %86  دست یافته شد.
نتایج حاصل از اجرای سناریوها نشان از کارایی مدل پیشنهادی را می­ دهد و این مدل می­تواند با سایر مدل­هایی که قبلا توسط پژوهشگران پیشنهاد شده به رقابت بپردازد.