Los soplos sistólicos son ruidos cardíacos adicionales que ocurren durante la fase de contracción del ciclo cardíaco y que a menudo indican anomalías cardíacas causadas por un flujo sanguíneo turbulento. Su intensidad, tono y calidad varían, lo que requiere una identificación precisa para el diagnóstico preciso de los trastornos cardíacos. Este estudio presenta un sistema de clasificación automática de soplos sistólicos utilizando un módulo de extracción de características, seguido de un modelo de clasificación. El módulo de extracción de características emplea una búsqueda de coincidencia ortogonal compleja para proyectar segmentos de soplo únicos o múltiples en un diccionario redundante compuesto de funciones de base de Gabor (GBF) complejas de resolución múltiple. Los pesos de proyección resultantes se dividen y se transforman en matrices de características de tiempo–frecuencia de resolución variable. Procesar múltiples segmentos de una sola grabación utilizando un diccionario compartido mitiga la variabilidad del soplo. Esto se logra aprendiendo los pesos de cada segmento y al mismo tiempo garantizando que correspondan al mismo conjunto de funciones base en el diccionario, promoviendo matrices de características de tiempo–frecuencia consistentes. El modelo de clasificación se construye basándose en un transformador de visión para procesar múltiples matrices de entrada de diferentes resoluciones pasando cada una a través de una red neuronal convolucional para la tokenización de parches. Luego, todos los tokens de incrustación se concatenan para formar una matriz y se reenvían a una capa codificadora que incluye atención de múltiples cabezales, conexiones residuales y una red convolucional con un tamaño de núcleo de uno. Esta integración de la extracción de características multirresolución con la clasificación de características basada en transformadores mejora la precisión y confiabilidad de la identificación de soplos cardíacos. Un análisis experimental de cuatro tipos de soplos sistólicos del conjunto de datos CirCor DigiScope demuestra la eficacia del sistema, logrando una precisión de clasificación del 95,96%.
Systolic murmurs are extra heart sounds that occur during the contraction phase of the cardiac cycle, often indicating heart abnormalities caused by turbulent blood flow. Their intensity, pitch, and quality vary, requiring precise identification for the accurate diagnosis of cardiac disorders. This study presents an automatic classification system for systolic murmurs using a feature extraction module, followed by a classification model. The feature extraction module employs complex orthogonal matching pursuit to project single or multiple murmur segments onto a redundant dictionary composed of multiresolution complex Gabor basis functions (GBFs). The resulting projection weights are split and reshaped into variable-resolution time–frequency feature matrices. Processing multiple segments of a single recording using a shared dictionary mitigates murmur variability. This is achieved by learning the weights for each segment while enforcing that they correspond to the same set of basis functions in the dictionary, promoting consistent time–frequency feature matrices. The classification model is built based on a vision transformer to process multiple input matrices of different resolutions by passing each through a convolutional neural network for patch tokenization. All embedding tokens are then concatenated to form a matrix and forwarded to an encoder layer that includes multihead attention, residual connections, and a convolutional network with a kernel size of one. This integration of multiresolution feature extraction with transformer-based feature classification enhances the accuracy and reliability of heart murmur identification. An experimental analysis of four types of systolic murmurs from the CirCor DigiScope dataset demonstrates the effectiveness of the system, achieving a classification accuracy of 95.96%.
Articulo publicado por Dr. Mahmoud Fakhry, investigador en nuestro instituto CEIEC