Classification of Heart Sounds Using Grey Level Co-occurrence Matrix and Logistic Regression
Notice bibliographique
Résumé
The heart is a person's fundamental organ.Heart sounds can help support healthcare workers by aiding in the early diagnosis of irregular heart rhythms.This study developed a system to categorize heart sounds by employing logistic regression as the classifier and the grey-level co-occurrence matrix as the classifier.For this reason, the GLCM technique was assessed in this work for feature extraction in the heart sound categorization.Moreover, the diagnostic heart sound analysis and classification procedure can be greatly improved by visualizing heart sounds using the Grey Level Co-occurrence Matrix (GLCM).The three data classifications for heart sounds are artifact, murmurs, and normal.Moreover, the heart sound is converted into the timefrequency domain using the short-time Fourier transform (STFT).The gray-level cooccurrence matrix approach is a useful tool for extracting the energy distribution in STFT.Dissimilarity, correlation, homogeneity, contrast, energy, and angular second moment (ASM) are the characteristics of the GLCM extraction.With dissimilarity offering the most feature extraction, logistic regression yields an 82% classification accuracy.The AUC value of 0.7 for the murmur class indicated that the feature and classification model had reduced sensitivity, but it performed well for the normal and artifact classes.This is because there are too few datasets for the murmur class.More abnormal class datasets are hoped to be contributed in the future in order to improve the classifier model.
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 ».