Enhancing Cardiac Health Diagnoses Through Machine Learning Analysis of Phonocardiograms (PCG)
Notice bibliographique
Résumé
Phonocardiograms (PCG) provide a non-invasive approach to analyzing heart sounds, making them vital for the early detection of cardiac issues. However, identifying the most effective machine learning models and feature extraction techniques for classifying PCG signals remains a challenge. This study aims to determine the most efficient and accurate combinations of machine learning models and feature engineering techniques for classifying PCG signals, with the overarching goal of enhancing diagnostic capabilities in heart health. Seven machine learning algorithms—Logistic Regression, Decision Tree, Random Forest, Naive Bayes, AdaBoost, XGBoost, and Support Vector Machine (SVM)—were evaluated. Feature extraction methods such as Mel-frequency cepstral coefficients (MFCC), Linear Predictive Coding (LPC), and Short-Time Fourier Transform (STFT) were applied. Model performance was assessed using metrics including accuracy, precision, recall, and F1-score. The study found that advanced models like XGBoost and Random Forest, particularly when combined with STFT and MFCC features, consistently outperformed others. These models demonstrated superior accuracy and F1-scores, although they also introduced higher computational complexity. The results suggest that sophisticated model-feature combinations, particularly involving XGBoost and Random Forest with STFT and MFCC, hold promise for improving cardiac diagnostics. Received: 5 July 2024 | Revised: 18 October 2024 | Accepted: 23 January 2025 Conflicts of Interest The authors declare that they have no conflicts of interest to this work. Data Availability Statement Data sharing is not applicable to this article as no new data were created or analyzed in this study. Author Contribution Statement Popal Khan Popalzai: Conceptualization, Methodology, Software, Validation, Formal analysis, Investigation, Data curation. Khurram Shehzad Khattak: Conceptualization, Methodology, Formal analysis, Writing – review & editing, Supervision. Anwar Mehmood Sohail: Conceptualization, Writing – original draft. Zawar Hussain Khan: Methodology, Supervision.
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 | 0,004 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 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) | 0,003 | 0,002 |
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 ».