Classification of Homomorphic Segmented Phonocardiogram Signals Using Grow and Learn Network
Notice bibliographique
Résumé
A segmentation algorithm, which detects a single cardiac cycle (S1-Systole-S2-Diastole) of Phonocardiogram (PCG) signals using Homomorphic filtering and K-means clustering and a three way classification of heart sounds into Normal (N), Systolic murmur (S) and Diastolic murmur (D) using Grow and Learn (GAL) neural network, are presented. Homomorphic filtering converts a non-linear combination of signals (multiplied in time domain) into a linear combination by applying logarithmic transformation. It involves the retrieval of the envelope, a(n) of the PCG signal by attenuating the contribution of fast varying component, f(n) using an appropriate low pass filter. K-means clustering is a nonhierarchical partitioning method, which helps to indicate single cardiac cycle in the PCG signal. Segmentation performance of 90.45% was achieved using the proposed algorithm. Feature vectors were formed after segmentation by using Daubechies-2 wavelet detail coefficients at the second decomposition level. Grow and Learn network was used for classification of the segmented PCG signals and a classification accuracy of 97.02% was achieved. It is concluded that Homomorphic filtering and GAL network could be used for segmentation and classification of PCG signals without using a reference signal.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».