Phonocardiogram Classification Model With Kolmogorov–Arnold Network for Training With Heterogeneous Dataset
Notice bibliographique
Résumé
Phonocardiogram (PCG) can be used to detect cardiac conditions and support the initial diagnosis of cardiovascular disease, a critical health issue that requires early detection to allow timely treatment and potentially save lives. Classification of PCG signals as normal or abnormal is currently done using learning algorithms which require homogeneous training data. However, PCG datasets are often collected using stethoscopes with varying characteristics, from different individuals, and in diverse controlled or uncontrolled environments. This results in dataset heterogeneity, which poses a challenge for training effective deep learning models. This study explores the recently proposed Kolmogorov–Arnold Networks (KAN), which incorporate different trainable function families such as splines and wavelets for the classification of PCG and evaluate their robustness against data heterogeneity. KAN is compared with a traditional Multi-Layer Perceptron (MLP) on heterogeneous and homogeneous PCG datasets to determine the most suitable model for PCG classification. Experimental results show that KAN with wavelet-based functions outperforms KAN with spline functions and MLP on both datasets, achieving superior performance with parameters and computational costs comparable to those of MLP. In contrast, the spline-based KAN performs well on homogeneous data but poorly on heterogeneous data, incurring the highest computational cost and model complexity. KAN with wavelet functions outperforms MLP by over 10% in most cases and outperforms state-of-the art methods. In summary, KAN with wavelet functions demonstrate strong performance across dataset types and may be a promising candidate for fully connected layers in deep learning models, irrespective of whether the dataset is homogeneous or heterogeneous.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».