Ensemble von merkmalsbasierten und auf tiefem Lernen basierenden Klassifikatoren zur Erkennung abnormaler Herzgeräusche

Ziel der PhysioNet/CinC Challenge 2016 ist die Entwicklung eines Algorithmus zur Klassifizierung normaler/abnormaler Herzgeräusche. Insgesamt wurden 124 Zeit-Frequenz-Merkmale aus dem Phonokardiogramm (PCG) extrahiert und in eine Variante des AdaBoost-Klassifikators eingegeben. Ein zweiter Klassifikator, der ein konvolutionales neuronales Netzwerk (CNN) verwendet, wurde mit PCG-Herzzyklen trainiert, die in vier Frequenzbänder zerlegt wurden. Die endgültige Entscheidungsregel zur Klassifizierung normaler/abnormaler Herzgeräusche basierte auf einem Ensemble von Klassifikatoren, die die Ausgaben von AdaBoost und dem CNN kombinierten. Der Algorithmus wurde mit einem Trainingsdatensatz (normal= 2575, abnormal= 665) trainiert und auf einem Blindtestdatensatz evaluiert. Unser Klassifikatoren-Ensemble-Ansatz erzielte die höchste Punktzahl des Wettbewerbs mit einer Sensitivität, Spezifität und Gesamtpunktzahl von 0.9424, 0.7781 bzw. 0.8602.