Multi-class classification of heart sounds using enhanced bidirectional short-term memory metho
Notice bibliographique
Résumé
The importance of early detection programs in improving the nation's overall health cannot be overemphasized. Conventional phonocardiogram (PCG) signals have been used a lot in this field of research because they are cheap and easy to use. The proposed convolutional neural network-based model differentiates the four types of cardiac auscultation just by looking at raw PCG data. To fully automate the process, two separate learning phases had to be created and given names that explained what they did. These learning stages are known as "representation learning" and "sequence residual learning.”. The use of this approach resulted in a significant enhancement in the precision of the PCG. This is because time has no effect on the qualities in any way. The findings of the study reveal that the suggested end-to-end architecture surpasses the most recent solutions in every area of the evaluation while utilizing nearly the same degree of computational complexity. Even though the proposed architecture has the same amount of computational complexity, this is still true. The recall rate of 99.52% demonstrates that the F1 score, accuracy, and precision all exceed 99.60%. In a head-to-head comparison with other models created using the same datasets as the other studies and publications, our model clearly wins. According to the study's findings, the model worked 85.57 percent of the time. The model worked and had an accuracy of 88.09 percent when tested with PhysioNet and Github PCG data. Extensive testing for primary and secondary validation yielded reliable results.
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 | 0,001 |
| 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) | 0,002 | 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 ».