Automatic heart sound classification from segmented/unsegmented phonocardiogram signals using time and frequency features
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
OBJECTIVE: Heart abnormality detection using heart sound signals (phonocardiogram (PCG)) has been an active research area for the last few decades. In this paper, automatic heart sound classification using segmented and unsegmented PCG signals is presented. APPROACH: In this paper: (i) we perform an in-depth analysis of various time and frequency domain features, followed by experimental determination of effective feature subsets for improved classification performance; (ii) both segmented and unsegmented PCG signals are studied and important results concerning the respective feature subsets and their classification performances are reported; and (iii) different classification algorithms, including the support vector machine, kth nearest neighbor, decision tree, ensemble classifier, artificial neural network and long short-term memory network (LSTMs), are employed to evaluate the performance of the proposed feature subsets and their comparison with other established features and methods is presented. MAIN RESULTS: It is observed that LSTM performs better on mel-frequency cepstral coefficient (MFCC) features extracted from unsegmented PCG data, with an area under curve (AUC) score of 91.39%, however, the MFCC features do not show a consistent performance with other classifiers (the second highest AUC score is 62.08% with the decision tree classifier). In contrast, in the case of time-frequency features from segmented data, the performance of all the classifiers is appreciable with AUC scores over 70%. In particular, the conventional machine learning techniques shows consistency in achieving over 80% in AUC scores. Significanc e: The results of this study highlight the importance of time and frequency domain features. Thus it is necessary to employ both the time and frequency features of segmented PCG signals to achieve improved classification.
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.
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) | 0,001 | 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 découle