Fakhry, MahmoudGallardo-Antolín, Ascensión2025-12-182025-12-182025-12Fakhry, M & Gallardo-Antolín, A 2025, 'A hybrid neural network with multistage feature fusion for detecting heart failure and murmurs from time–frequency representations of phonocardiograms', Systems and Soft Computing, vol. 7, 200391. https://doi.org/10.1016/j.sasc.2025.2003912772-9419https://hdl.handle.net/10641/6670Publisher Copyright: © 2025La 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.]Heart failure produces abnormal sounds and murmurs due to weakened cardiac function and turbulent blood flow. This study presents a hybrid neural network model with interior multistage feature fusion to detect heart pathologies using the time–frequency analysis of phonocardiogram (PCG) recordings. The model combines convolutional neural networks with long short-term memory layers in a unique architecture to efficiently capture the spectro-temporal dependencies at multiple cascaded network stages. Moreover, a fusion mechanism is used to aggregate internal features from multiple stages to enhance pattern modeling. We investigated various time–frequency representations of PCG signals to extract relevant features for model training and evaluation. These representations were derived using multiresolution analysis (MRA) via the short-time Fourier transform or the continuous wavelet transform. Additionally, we examined representations obtained through adaptive multiresolution analysis (AMRA) by employing the Hilbert–Huang transform based on empirical mode decomposition, variational mode decomposition, or empirical wavelet transform. The classification performance of the model was evaluated using two separate datasets, showing that the fusion strategy increases the accuracy and that MRA is superior to AMRA, achieving a classification accuracy of 90.20% for the detection of heart murmurs. Compared with MRA, AMRA demonstrated high adaptability, achieving an accuracy of 99.30% in distinguishing five heart valvular conditions.4237850enghttp://creativecommons.org/licenses/by-nc-nd/4.0/Adaptive multiresolution analysisCardiovascular diseasesHybrid neural networksMultistage feature fusionPhonocardiogram recordingsTheoretical Computer ScienceSoftwareComputer Science ApplicationsComputational Theory and MathematicsSDG 3 - Good Health and Well-beingYesyesjournal articleopen access10.1016/j.sasc.2025.200391https://www.scopus.com/pages/publications/105016857295https://www.scopus.com/pages/publications/105016857295#tab=citedBy