A hybrid neural network with multistage feature fusion for detecting heart failure and murmurs from time–frequency representations of phonocardiograms

Share

Abstract

La insuficiencia cardíaca produce sonidos y soplos anómalos debido al debilitamiento de la función cardíaca y a la turbulencia del flujo sanguíneo. Este estudio presenta un modelo de red neuronal híbrido con fusión de características multietapa interior para detectar patologías cardíacas mediante el análisis tiempo-frecuencia de registros de fonocardiograma (PCG). El modelo combina redes neuronales convolucionales con capas de memoria a corto y largo plazo en una arquitectura singular para capturar eficazmente las dependencias espectrotemporales en múltiples etapas de red en cascada. Además, se emplea un mecanismo de fusión para agregar características internas procedentes de varias etapas y así mejorar el modelado de patrones. Investigamos diversas representaciones tiempo-frecuencia de las señales de PCG para extraer características relevantes para el entrenamiento y la evaluación del modelo. Estas representaciones se obtuvieron mediante análisis de multirresolución (MRA) a través de la transformada de Fourier de tiempo corto o la transformada wavelet continua. Además, examinamos representaciones obtenidas mediante análisis de multirresolución adaptativo (AMRA), empleando la transformada de Hilbert-Huang basada en la descomposición en modos empíricos, la descomposición en modos variacionales o la transformada wavelet empírica. El rendimiento de clasificación del modelo se evaluó utilizando dos conjuntos de datos independientes, mostrando que la estrategia de fusión aumenta la precisión y que el MRA es superior al AMRA, alcanzando una precisión de clasificación del 90,20% para la detección de soplos cardíacos. En comparación con el MRA, el AMRA demostró una alta adaptabilidad, alcanzando una precisión del 99,30% en la distinción de cinco afecciones valvulares cardíacas. [Traducción automática al español; idioma original: inglés.]