Peak-Spektrogramm und Convolutional Neural Network-basierte Segmentierung und Klassifizierung für Phonokardiogramm-Signale

Herzerkrankungen sind eine der Hauptursachen für den Verlust von Menschenleben weltweit. Das Phonokardiogramm (PCG) liefert Informationen für die genaue und rechtzeitige Erkennung von Herz-Kreislauf-Erkrankungen (CVDs). Digitale Stethoskope zeichnen den Herzschall auf und speichern ihn als PCG-Signal zur Identifizierung von abnormalen Geräuschen. In diesem Kapitel werden Algorithmen zur Segmentierung und Klassifizierung von Herzgeräuschen diskutiert, um die abnormalen Symptome des Herzens zu diagnostizieren. Zunächst wird das Herzsignal in die Zustände „S1“, „Systole“, „S2“ und „Diastole“ unterteilt, indem mehrstufige Schwellenwerte für die Spitzenentdeckung verwendet werden. Phonokardiogramme sind nicht-stationäre Signale, bei denen die Identifizierung der genauen Lage der Spitzen schwierig ist. Durch die Verwendung der mehrstufigen Schwellenmethode zur Spitzenentdeckung und mit der Erzeugung des Spitzen-Spektrogramms wird die Identifizierung der Spitzenpositionen auf 91,2 % verbessert. Anschließend werden Merkmale der erzeugten Spitzen-Spektrogramme aus diesen vier Zuständen extrahiert, um die Benennung von PCG als „normal“ oder „abnormal“ mit einer traditionellen „Support Vector Machine“ (SVM) und „Convolutional Neural Network“ durchzuführen. Die entwickelten Algorithmen werden am PhysioNet2016 Herzschall-Herausforderungsdatensatz getestet. Die Ergebnisse zeigen die Eignung der entwickelten Methoden für die Identifizierung von „normalen“ und „abnormalen“ PCG zur Identifizierung von CVDs und erzielten eine Genauigkeit von 93,3 %.