S'abonner

Feature Extraction and Classification of Heart Murmurs Based on Acoustic Qualities - 20/09/22

Doi : 10.1016/j.irbm.2021.02.002 
C.-H. Shen a, b,
a Department of Mechanical Engineering, Chang Gung University, Guishan, Taoyuan 333, Taiwan, ROC 
b Department of Cardiology, Chang Gung Memorial Hospital, Guishan, Taoyuan 333, Taiwan, ROC 

Correspondence to: Department of Mechanical Engineering, Chang Gung University, Guishan, Taoyuan 333, Taiwan, ROC.Department of Mechanical EngineeringChang Gung UniversityGuishanTaoyuan333Taiwan, ROC

Graphical abstract

Le texte complet de cet article est disponible en PDF.

Highlights

Characterization of heart murmurs based on their clinical acoustic qualities.
Modularized computer-aided approach for closer resemblance of cardiac auscultation.
Multi-domain based feature engineering for better discriminative signal characterization.

Le texte complet de cet article est disponible en PDF.

Abstract

Background and objective

Heart murmur characterization is a crucial part of cardiac auscultation for determining the potential etiology and severity of heart diseases. One such helpful murmur characterization is the sonic qualities, which reflect both structural and hemodynamical states of the heart. Therefore, the objective is to develop a machine learning based solution for classifying murmur qualities.

Methods

Four medically defined murmur qualities, namely the musical quality, blowing-like quality, coarse quality, and soft quality were examined. Feature was extracted from heart murmurs signals in their time domain, frequency domain, time-frequency domain, and phase space domain. Sequential forward floating selection (SFFS) was implemented along with three classifiers, including k-nearest neighbor (KNN), Naïve-Bayes (NB), and linear support vector machine (SVM).

Results

It was found that multi-domain features are suited for better classification results and linear SVM was able to achieve a better balance between performance and the size of feature subsets among tested classifiers. Using the derived features, classification accuracies of 86%, 91%, 90%, and 84% were achieved for musical quality, blowing-like quality, coarse quality, and soft quality classifications respectively.

Conclusions

The study demonstrated that it is possible to effectively characterize heart murmur through its diagnostic characteristics instead of drawing direct conclusions, which is helpful for retaining versatility and generality found in the conventional cardiac auscultation.

Le texte complet de cet article est disponible en PDF.

Keywords : Heart murmur, Feature extraction, Machine learning, Computer-aided auscultation


Plan


© 2021  AGBM. Publié par Elsevier Masson SAS. Tous droits réservés.
Ajouter à ma bibliothèque Retirer de ma bibliothèque Imprimer
Export

    Export citations

  • Fichier

  • Contenu

Vol 43 - N° 5

P. 470-478 - octobre 2022 Retour au numéro
Article précédent Article précédent
  • Surface Modification of Biodegradable Mg-4Zn Alloy Using PMEDM: An Experimental Investigation, Optimization and Corrosion Analysis
  • G. Sharma, K. Kumar, P.S. Satsangi, N. Sharma
| Article suivant Article suivant
  • Attention-Based DenseNet for Pneumonia Classification
  • K. Wang, P. Jiang, J. Meng, X. Jiang

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.

Déjà abonné à cette revue ?

Mon compte


Plateformes Elsevier Masson

Déclaration CNIL

EM-CONSULTE.COM est déclaré à la CNIL, déclaration n° 1286925.

En application de la loi nº78-17 du 6 janvier 1978 relative à l'informatique, aux fichiers et aux libertés, vous disposez des droits d'opposition (art.26 de la loi), d'accès (art.34 à 38 de la loi), et de rectification (art.36 de la loi) des données vous concernant. Ainsi, vous pouvez exiger que soient rectifiées, complétées, clarifiées, mises à jour ou effacées les informations vous concernant qui sont inexactes, incomplètes, équivoques, périmées ou dont la collecte ou l'utilisation ou la conservation est interdite.
Les informations personnelles concernant les visiteurs de notre site, y compris leur identité, sont confidentielles.
Le responsable du site s'engage sur l'honneur à respecter les conditions légales de confidentialité applicables en France et à ne pas divulguer ces informations à des tiers.


Tout le contenu de ce site: Copyright © 2024 Elsevier, ses concédants de licence et ses contributeurs. Tout les droits sont réservés, y compris ceux relatifs à l'exploration de textes et de données, a la formation en IA et aux technologies similaires. Pour tout contenu en libre accès, les conditions de licence Creative Commons s'appliquent.