.png){kind=icon}
返回
Entropy-Based Phonocardiogram Classification Using Continuous and Synchrosqueezed Wavelet Transforms: A Systematic Comparison
.png){kind=icon}
OA
AI
DOI：10.3390/diagnostics16142223.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
背景/目的：心脏听诊是识别心血管异常的重要方法，但传统方法受限于检查者依赖的变异性和灵敏度。心音图（PCG）的自动分类有望应用于标准化心脏筛查，但仍需处理信号非平稳性和区分性特征提取问题。本研究开发了一种整合小波分析与基于熵的特征的计算框架，用于区分正常和异常心音。方法：研究采用PhysioNet计算心脏病学挑战赛2016数据库。信号处理包括重采样、零相位巴特沃斯带通滤波（20–800 Hz）和中值绝对偏差归一化。通过连续小波变换（CWT）和分析Morlet小波同步挤压小波变换生成时频表示。计算全局及四个生理学驱动的频带（20–80、80–200、200–400、400–800 Hz）上的多种熵度量，包括香农熵、兰纳-乌尔里克熵、泰勒熵、谱熵、排列熵和样本熵。采用带丢弃的正则化多层感知器进行分类。评估采用按记录级别分组的分层5折交叉验证以防止数据泄露。结果：使用标准CWT和800 Hz带宽的最佳配置在测试集上达到AUROC 0.972、平衡准确率0.915，并在特异性90%时保持敏感性96%。与预期相反，标准CWT优于同步挤压小波变换，AUROC优势为+0.038。此外，频带特异性熵分析提供了最大的性能贡献，AUROC提升+4.1%，证实了频率局部化的病理特征。结论：该研究方法展示了整合传统小波分析与熵工程如何实现最先进的性能。同时，该方法保持计算效率（1.2秒提取和分类）和可解释性，为资源受限环境下的即时心脏筛查提供了实际潜力。
Keyword:
phonocardiogram signal
feature extraction
continuous wavelet transform
synchrosqueezed transform
entropy
binary classification
PCG classification
期刊
IF:
3.3
论文数:
2.0W
被引数:
3.6W
机构
引用论文
Zhao, Q.; Geng, S.; Wang, B.; Sun, Y.; Nie, W.; Bai, B.; Yu, C.; Zhang, F.; Tang, G.; Zhang, D.; et al. Deep learning in heart sound analysis: From techniques to clinical applications. Health Data Sci. 2024, 4, 0182. [Google Scholar] [CrossRef]赵Q.; 耿S.; 王B.; 孙Y.; 聂W.; 白B.; 俞C.; 张F.; 唐G.; 张D.; et al. 深度学习在心音分析中的应用：从技术到临床应用。Health Data Sci. 2024, 4, 0182. [Google Scholar] [CrossRef].png)
IF0
PREAI
分享收藏
Detection of Valvular Heart Diseases From PCG Signals Using Machine and Deep Learning Models: A ReviewIEEE Access
IEEE AccessIF0
PREAI
分享收藏Review of Phonocardiogram Signal Analysis: Insights from the PhysioNet/CinC Challenge 2016 DatabaseElectronicsOAAI
ElectronicsIF0
OAAI分享收藏Automatic Feature Selection for Imbalanced Echocardiogram Data Using Event-Based Self-Similarity基于事件自相似性的不平衡超声心动图数据自动特征选择DIAGNOSTICSOAAI
DIAGNOSTICSIF3.3
OAAI分享收藏Physiological time-series analysis using approximate entropy and sample entropy基于近似熵和样本熵的生理时间序列分析
PREAI
分享收藏
查看更多内容