ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
CIVILICAWe Respect the Science
Publisher of Iranian Journals and Conference Proceedings
Paper
Title

A New Method to Improve Automated Classification of Heart Sound Signals: Filter Bank Learning in Convolutional Neural Networks

Year: 1399
COI: JR_IJMP-17-5_008
Language: EnglishglishView: 20
This Paper With 9 Page And PDF Format Ready To Download

Buy and Download

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این Paper را که دارای 9 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

Authors

Seyed Vahab Shojaedini - Electrical Engineering Department, Iranian Research Organization for Science and Technology, Tehran, Iran
Sajedeh Morabbi - Iranian Research Organization for Science and Technology, Tehran, Iran

Abstract:

Introduction: Recent studies have acknowledged the potential of convolutional neural networks (CNNs) in distinguishing healthy and morbid samples by using heart sound analyses. Unfortunately the performance of CNNs is highly dependent on the filtering procedure which is applied to signal in their convolutional layer. The present study aimed to address this problem by applying filter bank learning concept in CNNs. Material and Methods: In proposed method, the filter bank of CNN is updated based on a cross-entropy minimization rule to extract higher-level features from spectral characteristics of the heart sound signal. The deeper level of the extracted features in parallel with their spectral-based nature leads to better discrimination between healthy and morbid heart sounds. The proposed method was applied to three different heart sound datasets of PASCAL-A, PASCAL-B, and Kaggle, including normal and abnormal categories. Results: The proposed method obtained a true positive rate (TPR) between minimally 86% and maximally 96% (if FPR=0%) among all the examined datasets. In addition, the false-positive rate (FPR) was obtained as 7-8% (if TPR=100%) among the mentioned datasets. Finally, the accuracy was achieved in the range of 93-98% when the FPR was 0% and within the range of 96-96.5% when the TRP was 100%. Conclusion: Increased TPR in the proposed method (96% for the proposed method vs. 87% for CNN) in parallel with a decrease in its FPR (7% for the proposed method vs. 10% for CNN) showed the proposed method's superiority against its well-known alternative in automated self-assessment of the heart.

Keywords:

Heart Sound Classification Deep Learning Neural Networks Self, Assessment

Paper COI Code

برای لینک دهی به این Paper می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت Paper در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/1138489/

How To Citation:

در صورتی که می خواهید در اثر پژوهشی خود به این Paper ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
Shojaedini, Seyed Vahab و Morabbi, Sajedeh,1399,A New Method to Improve Automated Classification of Heart Sound Signals: Filter Bank Learning in Convolutional Neural Networks,,,,,https://civilica.com/doc/1138489

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این Paper اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1399, Shojaedini, Seyed Vahab؛ Sajedeh Morabbi)
برای بار دوم به بعد: (1399, Shojaedini؛ Morabbi)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مPaperقاله لینک شده اند :

  • References ...
  • Brown EM. Heart sounds made easy. Elsevier Health Sciences. 2008. ...
  • Wilkins R, Hodgkin J, Lopez B. Fundamentals of Lung and ...
  • Feigen LP. Physical characteristics of sound and hearing. The American ...
  • Thiyagaraja SR, Dantu R, Shrestha PL, Chitnis A, Thompson MA, ...
  • Avendano-Valencia LD, Godino-Llorente JI, Blanco-Velasco M, Castellanos-Dominguez G. Feature extraction ...
  • Patidar S, Pachori RB, Garg N. Automatic diagnosis of septal ...
  • Zheng Y, Guo X, Ding X. A novel hybrid energy ...
  • SaraçOğLu R. Hidden Markov model-based classification of heart valve disease ...
  • Potes C, Parvaneh S, Rahman A, Conroy B. Ensemble of ...
  • Rubin J, Abreu R, Ganguli A, Nelaturi S, Matei I, ...
  • Dauphin YN, Pascanu R, Gulcehre C, Cho K, Ganguli S, ...
  • Pascanu R, Dauphin YN, Ganguli S, Bengio Y. On the ...
  • Allahverdi N, Altan G, Kutlu Y. Diagnosis of Coronary Artery ...
  • Bengio Y. Learning deep architectures for AI. Now Publishers Inc; ...
  • Stutz  D. Understanding convolutional neural networks. In Seminar Report, Fakultät ...
  • Ruder S. An overview of gradient descent optimization algorithms. arXiv ...
  • Bentley P, Nordehn G, Coimbra M, Mannor S, Getz R. ...
  • Kaggle, heart sound signals. https://www.kaggle.com/sachinvernekar ...
  • Nilanon T, Yao J, Hao J, Purushotham S, Liu Y. ...
  • Lifu K, Weilian W. Heart sound signals based on CNN ...
  • Georgoulas G, Stylios D, Groumpos P. Predicting the risk of ...
  • Dash S, Quirk JG, Djurić PM. Fetal heart rate classification ...
  • [23]         Bonomi AG, Schipper F, Eerikäinen LM, Margarito J, Van ...
  • Poddar MG, Birajdar AC, Virmani J. Automated classification of hypertension ...
  • Research Info Management

    Certificate | Report | من نویسنده این مقاله هستم

    اطلاعات استنادی این Paper را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    علم سنجی و رتبه بندی Paper

    مشخصات مرکز تولید کننده این Paper به صورت زیر است:
    نوع مرکز: پژوهشگاه دولتی
    تعداد مقالات: 1,354
    در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

    Share this page

    More information about COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.

    Support