Key points are not available for this paper at this time.
Resumo Tradicionalmente, os sopros cardíacos são diagnosticados por meio da auscultação cardíaca, que requer treinamento e experiência especializados. O objetivo deste estudo é prever os resultados clínicos dos pacientes (normal ou anormal) e identificar a presença ou ausência de sopros cardíacos usando fonocardiogramas (PCGs) obtidos em diferentes pontos de auscultação. Um modelo semissupervisionado adaptado à classificação de PCG é introduzido neste estudo, visando melhorar o desempenho utilizando características profundas no domínio tempo-frequência. O estudo começa investigando o comportamento dos PCGs no domínio tempo-frequência, utilizando a transformação de Stockwell para converter o sinal de PCG em mapas de tempo-frequência bidimensionais (TFMs). Uma rede profunda chamada AlexNet é então utilizada para derivar conjuntos de características profundas a partir desses TFMs. Na redução de características, a redundância é eliminada e o número de características profundas é reduzido para simplificar o conjunto de características. A eficácia das características extraídas é avaliada utilizando três classificadores diferentes, usando o conjunto de dados do desafio CinC/Physionet 2022. Para a Tarefa I, que se concentra na detecção de sopros cardíacos, a abordagem proposta alcançou uma precisão média de 93%, sensibilidade de 91% e F1-score de 91%. Segundo a Tarefa II do desafio CinC/Physionet 2022, a abordagem mostrou um custo de resultado clínico de 5290, superando a referência estabelecida por métodos líderes no desafio.
Manshadi et al. (Sun,) estudaram essa questão.