Phonocardiogram Classification by Learning From Positive and Unlabeled Examples
Notice bibliographique
Résumé
The advent of deep learning has rekindled research in computer-aided auscultation for the classification of phonocardiogram (PCG) signals. Deep learning techniques require a large labeled dataset for training. However, labeling large datasets is a formidable task. In order to create the large labeled dataset, the labeled PCG signal records are segmented cycle-wise, and the labels of the records are passed on to all the cycles of the record. Although this label inheritance may be appropriate for segments of the normal PCG signals, it may be inappropriate for abnormal PCGs and therefore may result in the wrong labeling of cycles of abnormal PCG signals. To address this issue, we propose positive unlabeled (PU) learning based on a two-step technique deep learning model for the classification of PCG signals where PCG segments of normal records are considered positive exemplars and PCG segments of abnormal records are considered unlabeled. To attain the final results, a voting method is employed using a differential evolution algorithm (DE) and majority voting. The system was evaluated using a dataset from the 2016 Physionet/Computing in Cardiology Challenge. The proposed system achieved exceptional record classification performance with a score of about 0.95. Regardless of an imbalanced dataset, the method achieved balanced specificity and sensitivity values of about 0.94 and 0.95, respectively. Additionally, the proposed system outperformed existing human PCG binary classification systems. In conclusion, utilizing PU learning and CNN techniques for diagnosing heart sounds can lead to effective and efficient 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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».