Proiect EPD

Alexandru Bianca
Ioniță Cristina
Ruiu Alexandra
Grupa 1444
Capitolul 1. Introducere

 Descrierea problemei:
Problema abordată în acest proiect presupune implementarea unei metode de clasificare
normală/anormală a sunetelor din PCG. Phonocardiograma( PCG ) este o metodă eficientă de
analiză a sunetelor emise de inimă și ajută la furnizarea informațiilor cu privire la starea
medicală a inimii. [1]
 Impactul asupra societății:
În prezent un număr mare de persoane suferă de boli cardiovasculare, iar diagnosticarea
precoce încă reprezintă o problemă deși sistemul medical a avansat foarte mult în ultimii ani.
Așadar, bolile cardiovasculare sunt depistate într-un stadiu destul de avansat din cauza lipsei
calității serviciilor medicale
Aproape 17.5 milioane de oameni din toată lumea au decedat în urma bolilor
cardiovasculare, ceea ce reprezintă aproape 31-32% din totalul deceselor, iar acest procent crește
rapid în fiecare an. De asemenea, 75% din aceste decese se petrec în țări slab dezvoltate, unde
există acces limitat la serviciile medicale. Așadar, diagnosticarea bolii într-un stadiu incipient
este foarte importantă pentru reducerea ratei de mortalitate. [2]
O monitorizare continuă a bătăilor inimii este importantă în diagnosticarea precoce a
bolilor cardiovasculare, astfel încât avem metode tradiționale de diagnosticare precum
auscultația, care implică examinarea sunetelor inimii folosind un stetoscop.
Această metodă este una eficientă, dar prezintă și câteva limitări deorece necesită o
expertiză și competențe corespunzătoare și experiență îndelungată. De asemenea, zgomotul poate
fi captat în timpul auscultației ca urmare a mai multor factori precum poziționarea greșită a
stetoscopului, frecarea acestuia cu hainele pacientului și sunete de fundal nedorite. Astfel, un
mijloc automat și obiectiv de analizare și captare a sunetelor inimii este necesar.
Prelucrarea semnalelor medicale este foarte răspândită în prezent și joacă un rol
important în diagnosticarea diferitelor boli, printre care un exemplu îl reprezintă monitorizarea
sănătății inimii prin prelucrarea semnalelor PCG, în care starea medicală a inimii este
determinată de clasificarea semnalelor PCG în normale și anormale.
 Soluția propusă:
Se propune o metodă algoritmică de diferențiere a sunetelor normale ale inimii de cele
anormale dintr-o bază de date PCG, folosind transformata Fourier.
Fig 1. Diagrama metodei propuse de clasificare a sunetelor normale sau anormale ale inimii
Se folosește un filtru trece bandă pentru a filtra zgomotul și a clasifica sunetele normale
și anormale ale inimii și se bazează pe caracteristici statistice ce au fost extrase dintr-o bază de
date.

Capitolul 2. State of the art

În ultimii cinci ani s-au propus o varietate de metode de localizare și clasificare a sunetelor
inimii din semnalele PCG. Astfel încât tabelul afișat mai jos prezintă o trecere în revistă a
metodelor existente în literatura de specialitate din ultimii 5 ani.
Studiul și anul Metoda de Metoda de Metoda de Tipul de Baza de Statisticile Evaluation metrics Rezultate
preprocesa localizare clasificare bătăi ale date semnalelor
re inimii
2019

2018

Chen et al. – 2017 MFCC K- means and K-means and Normal Private 920 beats Precision, recall, and All measures > 91%
36 DNN DNN heart sound dataset F measure

Tang et al. – 2016 Bandpass Springer et al. ANN using Normal and PhysioNet 3240 beats Sensitivity, specificity, 80.7–81.2%, 82.9–
40 filtering time, kurtosis, abnormal CinC and a blind and over all score 85%, and 81.8–83.6%
MFCC, energy, heart challenge, dataset
power spectrum sounds 2016
cyclostationary
features
2015

Redlarski et al. – - Modified ANN, SVM- Normal, 3M 72 signals Accuracy 66–100%

2014 35 linear MCS abnormal Poland
predictive heart microphon
coding(LPC) sounds, and e samples
clicks
40 și 35 – tehnicile propuse au luat în vedere semnalele, în timp ce 36 a folosit bătăi.
The general evaluation metrics include accuracy, specificity, sensitivity, and positive predictive
value (PPV)
Authors in [35], for instance, use support vector machine with a modified cuckoo search
(MCS) optimizer using features extracted from linear predictive coding (LPC) for classification.
Similarly, Chen et al. [36] investigated deep neural networks for recognition of heart sounds S1
and S2.
As discussed previously, MFCC is usually used in the frequency-based methods and is
found to be effective in speech processing including speech recognition and speaker
identification [36]. MFCC has been used in the feature extraction process in [36] and [32] for
localization and classification.
Tang et al. [40] proposed an ensemble of 324 features primarily composed of time, frequency,
kurtosis, energy, and other features to classify a sound as normal or abnormal using ANN.
From the view point of heart sounds, S1 and S2 are considered in [30, 31, 36, 37] while [35] and
[16], in addition to S1 and S2, also consider split S1, split S2, S3, S4, murmurs, clicks, and
snaps.
Likewise, authors in [32, 39, 40, 41] primarily distinguish between the two broad categories,
normal (S1, S2) and abnormal heart sounds.
Table 2 summarizes the research in explicit time [29, 30, 31, 33, 34, 35, 38, 39, 40, 41] and
frequency [16, 17, 32, 36, 37] domains. All studies except [30, 32, 34, 38, 39, 40, 41] consider
private datasets for evaluation of the proposed techniques. These private datasets were recorded
at various settings, for instance, authors in [29] and [33] used clinical settings while 3M Poland
microphone samples are employed in [35]. Likewise, for public datasets, different subsets have
been employed by different authors making a direct comparison of these techniques difficult.
Where ‘TP’ represents true positives or correctly identified, ‘TN’ represents true negatives or
correctly rejected, ‘FP’ for false positives or incorrectly identified, and ‘FN’ represents false
negatives or incorrectly rejected. Most of the studies [17, 29, 30, 32, 35, 36, 38, 39, 40, 41] used
these measures;
On private datasets, classification accuracies of as high as 100% have also been reported [33,
35]. Springer algorithm [15] has been employed for localization in most of studies [38, 40, 41].
Furthermore, it is also common to employ time domain for classification frequency domain for
classification [38, 39, 40, 41].

Bibliografie
[1] A. Yadav, M. K. Dutta, C. M. Travieso, and J. B. Alonso, “Automatic Classification of Normal and
 Abnormal PCG Recording Heart Sound Recording Using Fourier Transform,” 2018 IEEE Int. Work
Conf. Bioinspired Intell. IWOBI 2018 - Proc., pp. 1–9, 2018.

[2] Q. ul A. Mubarak, M. U. Akram, A. Shaukat, F. Hussain, S. G. Khawaja, and W. H. Butt, Analysis of

PCG signals using quality assessment and homomorphic filters for localization and classification
of heart sounds, vol. 164. Elsevier B.V., 2018.