Fakhry, MahmoudBrery, Abeer Fath Allah2026-07-202026-07-202026-02-28Fakhry, M & Brery, A F A 2026, 'Classification of systolic murmurs in heart sounds using multiresolution complex Gabor dictionary and vision transformer', Electronic Research Archive, vol. 34, no. 3, pp. 1832-1856. https://doi.org/10.3934/era.20260822688-1594https://hdl.handle.net/10641/8099Publisher Copyright: © 2026 the Author(s), licensee AIMS Press. This is an open access article distributed under the terms of the Creative Commons Attribution License (https://creativecommons.org/licenses/by/4.0)Los soplos sistólicos son sonidos cardíacos adicionales que ocurren durante la fase de contracción del ciclo cardíaco, y 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 exacto de los trastornos cardíacos. Este estudio presenta un sistema de clasificación automática de soplos sistólicos mediante un módulo de extracción de características, seguido de un modelo de clasificación. El módulo de extracción de características emplea la búsqueda de coincidencias ortogonales complejas para proyectar uno o varios segmentos de soplo sobre un diccionario redundante compuesto por funciones base de Gabor complejas (GBF) multirresolución. Los pesos de proyección resultantes se dividen y remodelan en matrices de características tiempo-frecuencia de resolución variable. El procesamiento de múltiples segmentos de una misma grabación utilizando un diccionario compartido mitiga la variabilidad del soplo. Esto se logra aprendiendo los pesos de cada segmento a la vez que se impone que correspondan al mismo conjunto de funciones base del diccionario, favoreciendo matrices de características tiempo-frecuencia consistentes. El modelo de clasificación se construye a partir de un transformador visual para procesar múltiples matrices de entrada de distintas resoluciones, haciendo pasar cada una por una red neuronal convolucional para la tokenización en parches. Todos los tokens de incrustación se concatenan para formar una matriz y se envían a una capa codificadora que incluye atención multicabeza, 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 fiabilidad 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, alcanzando una precisión de clasificación del 95,96%. [Traducción automática al español; idioma original: inglés.]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%.253006438enginfo:eu-repo/semantics/openAccesscardiovascular diseaseheart soundsmultiresolution complex Gabor dictionarysystolic murmursvision transformerGeneral MathematicsSDG 3 - Good Health and Well-beingYesyes/dk/atira/pure/researchoutput/researchoutputtypes/contributiontojournal/article10.3934/era.2026082https://www.scopus.com/pages/publications/105032681161https://www.scopus.com/pages/publications/105032681161#tab=citedBy