Clasificación de los sonidos cardíacos usando ondículas y redes neuronales
Palabras clave:
fonocardiograma, corazón, PCG, PhysioNetResumen
La auscultación de los sonidos cardíacos es un examen clínico que permite determinar si un paciente debe ser referido a un especialista. El fonocardiograma (PCG), por sus siglas en inglés, corresponde al registro de estos sonidos. El objetivo de este trabajo es la evaluación de un esquema fundamentado en dos algoritmos propuestos durante el desafío PhysioNet 2016, el primero basado en ondículas y el segundo en una red neuronal convolucional (RNC), para evaluar el desempeño en la clasificación de los sonidos cardíacos (normal/anormal). Los resultados obtenidos muestran un mejor equilibrio entre especificidad y sensibilidad con respecto al método de las ondículas, aunque su desempeño es inferior al método basado en RNC. El método propuesto tiene un menor costo computacional.
Descargas
Métricas
Citas
Goda, M. Á., Hajas, P. (2016). Morphological determination of pathological PCG signals by time and frequency domain analysis. Computing in Cardiology Conference (CinC), 1133-1136. https://doi.org/10.23919/CIC.2016.7868947
Huiying, L., Sakari, L., Iiro, H. (1997). A heart sound segmentation algorithm using wavelet decomposition and reconstruction. Proceedings of the 19th Annual International Conference of the IEEE Engineering in Medicine and Biology Society, 4, 1630-1633. https://doi.org/10.1109/IEMBS.1997.757028
Langley, P., Murray, A. (2016). Abnormal heart sounds detected from short duration unsegmented phonocardiograms by wavelet entropy. Computing in Cardiology Conference (CinC), 545-548. https://doi.org/10.23919/CIC.2016.7868800
Potes, C., Parvaneh, S., Rahman, A., Conroy, B. (2016). Ensemble of feature-based and deep learning-based classifiers for detection of abnormal heart sounds. Computing in Cardiology Conference (CinC), 621-624. https://doi.org/10.23919/CIC.2016.7868819
Tschannen, M., Kramer, T., Marti, G., Heinzmann, M., Wiatowski, T. (2016). Heart sound classification using deep structured features. Computing in Cardiology Conference (CinC), 565-568. https://doi.org/10.23919/CIC.2016.7868805
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Copyright © Autors. Creative Commons Attribution 4.0 License para cualquier artículo enviado a partir del 6 de junio de 2017. Para los manuscritos presentados anteriormente, se utilizó la licencia CC BY 3.0.
Usted es libre de:
Compartir — compartir y redistribuir el material publicado en cualquier medio o formato. |
Adaptar — combinar, transformar y construir sobre el material para cualquier propósito, incluso comercialmente. |
Bajo las siguientes condiciones:
Atribución — Debe otorgar el crédito correspondiente, proporcionar un enlace a la licencia e indicar si se realizaron cambios. Puede hacerlo de cualquier manera razonable, pero de ninguna manera que sugiera que el licenciador lo respalda a usted o a su uso. |
Sin restricciones adicionales: no puede aplicar términos legales o medidas tecnológicas que restrinjan legalmente a otros a hacer cualquier cosa que permita la licencia. |
Mayor información sobre este acuerdo de autoría y licencia, transferencia de derechos o solicitudes de reproducción, pueden ser consultados en este enlace.