Kardiyovasküler hastalıkların teşhisine yönelik kalp seslerinin sınıflandırılması

Abstract

Kalp hastalıkları, dünya genelinde önemli bir sağlık sorunudur ve yılda milyonlarca insanın ölümüne neden olmaktadır. Önümüzdeki yıllarda bu sayının daha da artması beklenmektedir. Bu nedenle, erken teşhis ve doğru tanı, hayati öneme sahiptir. Kalp sesi, kalp sağlığı hakkında değerli bilgiler içeren önemli bir işarettir. Normal kalp sesleri, kalp kapakçıklarının açılıp kapanması ile oluşur ve kalp döngüsü boyunca lub-dub şeklinde duyulur. Üfürümler, kardiyovasküler sistemin düzensiz kan akışından kaynaklanan titreşimlerdir ve hastalığın tanısında önemli bir rol oynarlar. Bu seslerin değerlendirilmesi için stetoskop ve diğer cihazlar kullanılırken, yapay zekâ tekniklerinin de katkısı önemli hale gelmektedir. Son araştırmalar, fonokardiyogram sinyallerinin özniteliklerinin çıkarılması ve derin öğrenme yöntemleri olan RNN ve CNN ile sınıflandırılmasının yüksek doğruluk sağlayabileceğini göstermektedir. Bu çalışmada kalp seslerinin Kesirli Fourier Dönüşümünün zaman-frekans özeliği kullanılarak MFCC ile özellikleri çıkartılmıştır. Seslerin işlenmesinde MFCC literatürde sıkça kullanılan ve başarılan olan yöntemdir. Sonrasında bir boyutlu CNN ve RNN modelleriyle sınıflandırılmıştır. Kalp seslerinin sınıflandırılması, özellikle kırsal bölgelerde ekokardiyografiye erişimin sınırlı olduğu durumlarda kullanışlı olabilir ve doktorların kalp hastalıklarını teşhis etme sürecini kolaylaştırabilir. Standartlaştırılmış ve kolay ulaşılabilir otomatik oskültasyon cihazları, klinikte büyük bir fayda sağlayabilir ve kalp hastalıklarının erken teşhisine katkıda bulunabilir. Bu şekilde, gelecekte kalp hastalıklarının tedavisi ve yönetimi için daha etkili bir yaklaşım geliştirilebilir.

Heart diseases are a significant global health problem, leading to millions of deaths each year. It is expected that this number will further increase in the coming years. Therefore, early diagnosis and accurate assessment are of vital importance. The heart sound, known as the cardiac auscultation, is a valuable indicator of heart health. Normal heart sounds are produced by the opening and closing of heart valves and are heard as lub-dub throughout the cardiac cycle. Murmurs, which are vibrations caused by irregular blood flow in the cardiovascular system, play an essential role in diagnosing heart conditions. While stethoscopes and other traditional devices are used to evaluate these sounds, artificial intelligence techniques have also become increasingly significant. Recent studies have shown that extracting features from phonocardiogram signals and classifying them using deep learning methods such as RNN and CNN can achieve high accuracy. In this study, the time-frequency representation of heart sounds was extracted using the Fractional Fourier Transform, and Mel Frequency Cepstral Coefficients (MFCC) were used to extract features. MFCC is a widely used and successful method in the literature for processing audio signals. Subsequently, one-dimensional CNN and RNN models were employed for the classification task. The classification of heart sounds can be particularly useful in areas with limited access to echocardiography, facilitating the diagnosis of heart diseases for healthcare professionals. Standardized and easily accessible automatic auscultation devices can provide significant benefits in clinical settings, contributing to early diagnosis of heart diseases. In this way, a more effective approach to the treatment and management of heart diseases can be developed in the future.