Emploi de Multi-Classifier et de Caractéristiques Multi-domaines pour la Reconnaissance de PCG

Fouad H Awad

Lien de l'Article , Télécharger PDF

Résumé : Dans cet article, un multi-classificateur de K-Nearest Neighbor et de classificateurs Support Vector Machine (SVM) avec des caractéristiques multi-domaines sont employés, comme méthodologie proposée pour reconnaître l'état de normalité des enregistrements de sons cardiaques (appelés Phonocardiogram - PCG). Le défi PhysioNet/CinC 2016 offre le jeu de données utilisé dans cet article. Les sons cardiaques sont des signaux complexes et nécessitent des cliniciens formés pour le diagnostic, ce qui nous a motivés à développer un algorithme pour la classification automatique des sons cardiaques en deux classes : normal et anormal. L'entropie, les statistiques d'ordre supérieur, la cyclo-stationnarité, le cepstrum, le spectre de fréquence des enregistrements, l'énergie, l'amplitude d'état, le spectre de fréquence des états, et l'intervalle de temps, sont les neuf caractéristiques de domaine employées. Ces caractéristiques de domaine sont extraites pour un total de 527 caractéristiques. Ces caractéristiques ont été utilisées pour entraîner les classificateurs K-Nearest Neighbor et Support Vector Machine (SVM). Le classificateur Fine-KNN a surpassé les types de classificateurs SVM en atteignant une précision de 93,5 % tandis que le classificateur Cubic-SVM a atteint 90,9 %, ce qui est la plus haute précision de tous les SVM. Le classificateur Fine-KNN et les caractéristiques proposées sont à la fois efficaces et significatives pour la reconnaissance de PCG.

Mots-clés : SVM, KNN, Phonocardiogram, PCG, Reconnaissance de sons cardiaques, Caractéristiques multi-domaines.

Références :

Luisada,A. A. ; Liu ,C. ; Aravanis, C.; Testelli, M., et Morris, J. : Sur le mécanisme de production des sons cardiaques, American Heart Journal, vol. 55, no. 3, pp. 383399, (1958).

Sakamoto, T.; Kusukawa, R.; Maccanon, D.M., et Luisada A. A. : Déterminants hémodynamiques de l'amplitude du premier son cardiaque, Circulation Research, vol. 16, pp. 4557, (1965).

Sakamoto, T.; Kusukawa, R.; MacCanon, D.M.; et Luisada A. A. : Amplitude du premier son cardiaque dans des alternances induites expérimentalement, CHEST, vol. 50, no. 5, pp. 470475, (1966).

Durand, L.-G. et Pibarot, P. : Traitement numérique du signal du phonocardiogramme : Revue des avancées les plus récentes, Critical Reviews in Biomedical Engineering, vol. 23, no. 3-4, pp. 163219, (1995).

Gerbarg, D. S.; Taranta, A.; Spagnuolo, M.; et Hofler , J. J. : Analyse informatique des phonocardiogrammes, Progress in Cardiovascular Diseases, vol. 5, no. 4, pp. 393405, (1963).

Akay, Y.; Akay, M.; Welkowitz, W.; et Kostis, J. : Détection non invasive de la maladie coronarienne, IEEE Engineering in Medicine and Biology Magazine, vol. 13, no. 5, pp. 761764, (1994).

Durand, L. G.; Blanchard, M.; Cloutier, G.; Sabbah, H. N.; et Stein, P. D. : Comparaison des méthodes de reconnaissance de motifs pour la classification assistée par ordinateur des spectres de sons cardiaques chez les patients avec une valve bioprothétique porcine implantée en position mitrale, IEEE Transactions on Biomedical Engineering, vol. 37, no. 12, pp. 11211129, (1990).

Uguz, H. : Un système biomédical basé sur un réseau de neurones artificiels et une analyse en composantes principales pour le diagnostic des maladies des valves cardiaques, Journal of Medical Systems, vol. 36, no. 1, pp. 6172, (2012).

Olmez, T. et Dokur, Z. : Classification des sons cardiaques à l'aide d'un réseau de neurones artificiels, Pattern Recognition Letters, vol. 24, no. 13, pp. 617629,(2003).

Dokur, Z. et Olmez, T. : Classification des sons cardiaques utilisant la transformation en ondelettes et la carte auto-organisatrice incrémentale, Digital Signal Processing, vol. 18, no. 6, pp. 951959, (2008).

Ari, S.; Hembram, K.; et Saha, G. : Détection d'anomalies cardiaques à partir du signal PCG utilisant un classificateur SVM basé sur la méthode des moindres carrés LMS, Expert Systems with Applications, vol. 37, no. 12, pp. 80198026, (2010).

Maglogiannis, I.; Loukis, E.; Zafiropoulos, E.; et Stasis, A. : Identification des maladies des valves cardiaques basée sur les sons cardiaques utilisant les machines à vecteurs de support, Computer Methods and Programs in Biomedicine, vol. 95, no.1, pp. 4761, (2009).

Zheng, Y.; Guo, X.; et Ding, X. : Une nouvelle approche hybride basée sur la fraction d'énergie et l'entropie pour l'identification des souffles systoliques, Expert Systems with Applications, vol. 42, no. 5, pp. 27102721, (2015).

Alzubaidi, Laith; Mohsin, Zinah, A. et Ibrahim ,Reem Hassan : Utilisation de l'algorithme Random Forest pour le clustering, Journal of Engineering and Applied Sciences, 13: 9189-9193, (2018)