Comparison of Spectral and Sparse Feature Extraction Methods for Heart Sounds Classification.
Cardiovascular diseases (CVDs) remain the leading cause of morbidity worldwide. The heart sound signal or phonocardiogram (PCG) is the most simple, low-cost, and effective tool to assist physicians in diagnosing CVDs. Advances in signal processing and machine learning have motivated the design of co...
| Publicado en: | Revista Mexicana de Ingeniería Biomédica Vol. 44; pp. 6 - 23 |
|---|---|
| Autores principales: | , , |
| Formato: | Artículo |
| Publicado: |
Sociedad Mexicana de Ingenieria Biomedica, A.C.
2023 Special Issue
|
| Materias: | |
| Acceso en línea: | Ver este registro en EBSCOhost |
| fields | @attributes: recordID: 1 pdfLink: plink: https://search.ebscohost.com/login.aspx?direct=true&db=lth&AN=171334307&site=ehost-live header: @attributes: shortDbName: lth uiTerm: 171334307 longDbName: MedicLatina uiTag: AN controlInfo: bkinfo: jinfo: jid: 01889532 7L3 jtl: Revista Mexicana de Ingeniería Biomédica issn: 01889532 maglogo: N pubinfo: dt: 2023 Special Issue vid: 44 pid: 20850 pub: Sociedad Mexicana de Ingenieria Biomedica, A.C. artinfo: ui: 171334307 10.17488/RMIB.44.4.1 ppf: 6 ppct: 17 formats: fmt: @attributes: type: P size: 1.5MB tig: atl: Comparison of Spectral and Sparse Feature Extraction Methods for Heart Sounds Classification. aug: au: Frajo Ibarra-Hernández, Roilhi Ángel Alonso-Arévalo, Miguel del Carmen García-Canseco, Eloísa affil: Universidad de Ensenada, Ensenada - México Centro de Investigación Científica y de Educación Superior de Ensenada (CICESE), Ensenada, Baja California - México Universidad Autónoma de Baja California, Ensenada, Baja California - México su: Cardiovascular disease diagnosis Feature extraction Heart sounds Phonocardiography Random forest algorithms sug: subj: Cardiovascular disease diagnosis Feature extraction Heart sounds Phonocardiography Random forest algorithms keyword: classification heart sounds matching pursuit spectral features time-frequency representation características espectrales clasificación representación tiempo-frecuencia sonidos cardiacos ab: Cardiovascular diseases (CVDs) remain the leading cause of morbidity worldwide. The heart sound signal or phonocardiogram (PCG) is the most simple, low-cost, and effective tool to assist physicians in diagnosing CVDs. Advances in signal processing and machine learning have motivated the design of computer-aided systems for heart illness detection based only on the PCG. The objective of this work is to compare the effects of using spectral and sparse features for a classification scheme to detect the presence/absence of a pathological state in a heart sound signal, more specifically, sparse representations using Matching Pursuit with multiscale Gabor time-frequency dictionaries, linear prediction coding, and Mel-frequency cepstral coefficients. This work compares the performance of PCGs classification applying features as a result of averaging the samples or the features for each PCG sound event when feeding a random forest (RF) classifier. For data balancing, random under-sampling and synthetic minority oversampling (SMOTE) methods were applied. Furthermore, we compare the Correlation Feature Selection (CFS) and Information Gain (IG) for the dimensionality reduction. The findings show a SE=93.17 %, SP=84.32 % and ACC=85.9 % when joining MP+LPC+MFCC features set with an AUC=0.969 showing that these features are promising to be used in heart sounds anomaly detection schemes. Las enfermedades cardiovasculares (ECVs) han persistido como la principal causa de mortalidad en el mundo. La señal de audio cardiaco o fonocardiograma (FCG) es la herramienta más simple, efectiva y de bajo costo para auxiliar a especialistas diagnosticando ECVs. Los avances en el procesamiento de señales y aprendizaje máquina han motivado el diseño de auscultación y detección computarizada. El objetivo de este trabajo es comparar el uso de características espectrales y dispersas para un sistema de clasificación que detecte la presencia/ausencia de una patología en un audio cardiaco mediante representaciones dispersas usando Matching Pursuit con diccionarios de Gabor tiempo-frequencia, predicción lineal y coeficientes cepstrales Mel. Se crearon 5 conjuntos de características como resultado de combinar las características para cada FCG y se examinó su desempeño usando un clasificador de bosque aleatorio (RF). Se aplicaron métodos de balanceo de muestras basados en sobremuestreo (SMOTE) y submuestreo aleatorio. Se compararon métodos de selección de características por correlación (CFS) y ganancia de información (IG) para reducir la dimensionalidad del conjunto. Los resultados muestran métricas de SE=93.17 %, SP=84.32 % y ACC=85.9 % al juntar los parámetros MP+LPC+MFCC además de una AUC=0.969. El trabajo muestra el potencial de las características espectrales y escasas para la detección de patologías en señales de audio cardiaco. pubtype: Academic Journal doctype: Article src: R language: English refInfo: copyright: @attributes: flag: Y custom: Copyright of Revista Mexicana de Ingeniería Biomédica is the property of Sociedad Mexicana de Ingenieria Biomedica, A.C. and its content may not be copied or emailed to multiple sites without the copyright holder's express written permission. Additionally, content may not be used with any artificial intelligence tools or machine learning technologies. However, users may print, download, or email articles for individual use. item: Revista Mexicana de Ingeniería Biomédica holder: Sociedad Mexicana de Ingenieria Biomedica, A.C. dt: @attributes: year: 2023 holdings: @attributes: islocal: N |
|---|