Phonocardiogram Classification through Averaging Transforms and Domain-Balanced Cross-Mix Approaches
Notice bibliographique
Résumé
Deep learning models have recently emerged as a promising tool for the classification of phonocardiogram (PCG), but their training requires large and accurately annotated datasets. Unfortunately, such datasets are not readily available. So, datasets that are collected using different sensors and those collected in controlled and uncontrolled environments are amalgamated and used as a training dataset. This introduces heterogeneity in the dataset. Further to increase the training samples, each PCG record is segmented into cycles, and a cyclebased training model is employed with cycle labels inherited from record labels. Although these labels are accurate for normal records, they are not for abnormal ones; thus leading to mislabeling of abnormal cycles. Heterogeneity and noisy labels reduce classification accuracy because of inaccurate training. Therefore, this work proposes averaging of record cycles of PCG to address noisy labels and a novel domain-balanced crossmix (DBCM) approach to handle dataset heterogeneity. Various deep learning models such as MobileNetV2 , gMLP , and MLP-Mixer are trained to classify PCG signals as either normal or abnormal. Additionally, different 2-D transforms such as spectrogram, scalogram, MFCC, and Stockwell are considered for creating input to the deep learning models. A comprehensive comparison between the proposed method and existing methods in the literature that only address dataset heterogeneity using the domain-balanced training (DBT) approach shows that the proposed method is superior by at least 10% in terms of mean accuracy. These results underscore the effectiveness of addressing noisy labels and dataset heterogeneity and utilizing 2-D representations of PCG cycles.
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 | 0,002 |
| 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) | 0,001 | 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 ».