Klassifizierung von Phonokardiogrammen mithilfe von eindimensionalen Inception Time-Faltungsneuralen Netzen

Murmeln sind durch turbulente Blutströmung verursachte Geräusche, die oft das erste Anzeichen struktureller Herzerkrankungen sind. Diese Geräusche werden durch Abhorchen des Herzens mittels Stethoskop erfasst, oder in jüngerer Zeit auch durch eine Phonokardiogramm (PCG)-Aufzeichnung. Ziel unserer Arbeit ist es, die Anwesenheit, Abwesenheit oder unklare Fälle von Murmeln zu identifizieren sowie aufgrund von PCG-Aufzeichnungen normale oder abnormale klinische Ausgänge vorherzusagen, unter Verwendung von maschinellem Lernen.Wir haben zwei eindimensionale Faltungsneuronale Netze (1D-CNN) auf einem PCG-Datensatz aus einer pädiatrischen Population von 1568 Individuen trainiert und getestet. Ein Modell prognostizierte Murmeln, während das andere Modell klinische Ergebnisse vorhersagte. Beide Modelle wurden daraufhin trainiert, vorhersagen auf Aufzeichnungsebene zu liefern, wobei die endgültigen Vorhersagen jedoch für jeden Patienten (Patientenbene) generiert wurden.Diese Arbeit beschreibt unsere Teilnahme am George B. Moody PhysioNet Challenge 2022, dessen Ziel darin bestand, Herzgeräusche und klinische Ausgänge aus PCG-Aufzeichnungen zu identifizieren. Unser Team, Simulab, trainierte einen klinischen Ausgangs-Klassifikator, der einen Challenge-Kostenwert von 12419 erzielte (Platz 14 von 39 Teams), während der Murmel-Klassifikator auf dem Testset eine gewichtete Genauigkeit von 0,593 erreichte (Platz 30 von 40 Teams).