Širdies plakimo garso įrašų (fonokardiogramų) klasifikavimui skirtų metodų tyrimas

Santrauka

Pasaulio sveikatos organizacijos duomenimis, širdies ir kraujagyslių ligos yra pagrindinė mirties priežastis pasaulyje. Dirbtinio intelekto klasifikavimo algoritmai gali padėti aptikti širdies ligas ankstyvoje stadijoje. Šio darbo tikslas – sukurti algoritmą fonokardiogramų klasifikavimui (tipinis / netipinis signalas) ir ištirti duomenų įtaką klasifikavimo rezultatams. Viena pagrindinių problemų šios srities sprendimuose yra ribotas apmokymo duomenų kiekis. Dažniausiai šiuose tyrimuose naudojamas duomenų rinkinys yra „2016 CinC/ PhysioNet iššūkio“ duomenų bazė. Tačiau šiame duomenų rinkinyje egzistuoja duomenų disbalansas – tipinių garso signalų yra beveik 4 kartus daugiau nei netipinių. Todėl tyrime išbandomi 3 skirtingi klasifikavimo modeliai (atraminių vektorių klasifikatorius (SVM), atsitiktiniai miškai, konvoliucinis neuroninis tinklas (CNN)) ir palyginama, kaip duomenų disbalansas paveikia klasifikavimo tikslumą. SVM klasifikavo netipinius signalus prasčiausiai (jautrumas – 0,6683), o geriausiai klasifikavo CNN modelis (MAcc – 0,8470). Duomenų disbalansui pašalinti buvo atliekama netipinių signalų augmentacija ir sukurti sintetiniai duomenys, kurie išlygino įrašų kiekį kiekvienai klasei. Pašalinus duomenų disbalansą, visi modeliai klasifikavo netipinius garso signalus ženkliai tiksliau, SVM pasiekė net 20% geresnį jautrumo įvertį. O tipinių signalų klasifikavimo tikslumas suprastėjo maždaug 5%.