DOI: https://doi.org/10.3390/s26020630
PMID: https://pubmed.ncbi.nlm.nih.gov/41600426
تاريخ النشر: 2026-01-17
المؤلف: P. P Satya Karthikeya وآخرون
الموضوع الرئيسي: تقنيات فونوكارديوغرافي والتسمع
نظرة عامة
تبحث الدراسة في فعالية دمج الميزات الصوتية التقليدية مع تمثيلات Wav2Vec المعتمدة على المحولات لتصنيف أصوات القلب متعددة الفئات، وهو أمر حيوي للكشف المبكر عن الأمراض القلبية الوعائية (CVD). استخرجت الدراسة عشرة ميزات صوتية مصممة، بما في ذلك Log Mel و MFCC وتحويل الموجات المنفصلة، وقيمت أربعة تكوينات نموذجية: نموذج هجين من CNN + LSTM و XGBoost، تم تدريبه على إما الميزات العادية أو تمثيلات Wav2Vec. تشير النتائج إلى أن النماذج التي تستخدم الميزات العادية تفوقت باستمرار على تلك المعتمدة على Wav2Vec، حيث حقق XGBoost أعلى دقة بنسبة 99%، مقارنة بـ 98% للنموذج الهجين.
تؤكد النتائج على أهمية هندسة الميزات الخاصة بالمجال في تعزيز دقة تصنيف أصوات القلب. توفر الميزات التقليدية مثل MFCC و Log-Mel معلومات زمنية وطيفية أساسية تتجاوز أداء تمثيلات المحولات العامة. بينما يلتقط نموذج CNN + LSTM الهجين الأنماط المكانية والزمنية بشكل فعال، فإن قدرة XGBoost على الاستفادة من بيانات متعددة الميزات المنظمة والتخفيف من الإفراط في التكيف تؤدي إلى أداء متفوق. بشكل عام، تؤكد هذه الدراسة أن الجمع بين الميزات الصوتية المصممة وتقنيات التعلم الجماعي مثل XGBoost يوفر نهجًا موثوقًا وقابلًا للتطبيق سريريًا لتشخيص الأمراض القلبية الوعائية بشكل آلي.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على الانتشار المتزايد للأمراض القلبية الوعائية (CVDs) والحاجة الملحة لتقنيات الكشف المبكر والمراقبة الفعالة. تواجه الطرق التقليدية، مثل الاستماع، على الرغم من استخدامها على نطاق واسع، قيودًا كبيرة بسبب اعتمادها على خبرة الأطباء والتفسير الذاتي، مما قد يؤدي إلى عدم دقة في التشخيص. تعتبر أصوات القلب، وخاصة الصوت الأول (S1) والثاني (S2)، مؤشرات حاسمة على صحة القلب، لكن يمكن أن تتأثر اكتشافها بعوامل مختلفة، بما في ذلك الضوضاء البيئية وخصائص المرضى. وهذا يبرز ضرورة وجود نهج آلي وموضوعي لتحليل أصوات القلب، مستفيدًا من تقنيات معالجة الإشارات المتقدمة والذكاء الاصطناعي (AI) لتعزيز موثوقية وكفاءة التشخيص.
تناقش الورقة أهمية استخراج الميزات في تصنيف أصوات القلب، مع التركيز على تقنيات مثل معاملات تردد ميل (MFCC) وخرائط Log-Mel الطيفية، التي تلتقط الخصائص الأساسية لأصوات القلب. يتم استكشاف خوارزميات التعلم الآلي (ML) والتعلم العميق (DL)، بما في ذلك الشبكات العصبية التلافيفية (CNNs) وشبكات الذاكرة القصيرة والطويلة (LSTM)، لقدرتها على تحليل الأنماط المعقدة في بيانات أصوات القلب. يتم الإشارة إلى دمج المعلومات المكانية والزمنية من خلال نماذج هجينة، مثل CNN-LSTM، لما لها من إمكانية تحسين دقة التشخيص في البيئات السريرية. تهدف الدراسة إلى تقييم فعالية دمج الميزات الصوتية التقليدية مع التمثيلات المعتمدة على المحولات في تعزيز أداء مصنف XGBoost للكشف عن حالات القلب والأوعية الدموية المختلفة، مما يوفر حلاً عمليًا للبيئات الصحية ذات الموارد المحدودة.
الطرق
في قسم الطرق، نفذ الباحثون تصميمًا تجريبيًا صارمًا لتقييم قابلية تعميم نماذجهم مع منع تسرب البيانات. تم تقسيم مجموعة البيانات إلى ثلاثة مجموعات فرعية مستقلة: 70% للتدريب، 15% للتحقق، و15% للاختبار، حيث تم إجراء التقسيم على مستوى الموضوع للحفاظ على استقلالية صارمة للموضوع، وهو أمر ضروري لتطبيقات التشخيص الطبي. كانت مجموعة التحقق مخصصة لتحسين المعلمات الفائقة والتوقف المبكر، بينما كانت مجموعة الاختبار بمثابة بيانات غير مرئية لتقييم الأداء النهائي.
لضمان الاستقرار الإحصائي، تم استخدام نهج قوي للتحقق المتقاطع داخل مجموعة التدريب. بالنسبة لهندسة CNN-LSTM الهجينة، تم استخدام تحقق متقاطع من 10 طيات (N = 10) لتقييم استقرار التقارب عبر طيات البيانات المختلفة. في المقابل، خضعت نموذج XGBoost للتحقق المتقاطع لمونت كارلو مع 20 تكرارًا مستقلًا (N = 20) لتقييم قوة التجميع المعزز بالتدرج. تم مقارنة توزيعات أداء النماذج إحصائيًا باستخدام اختبار ويلكوكسون للرتب، وهو طريقة غير معلمية مناسبة للعينات المستقلة دون افتراض توزيع طبيعي، مما يؤكد الأهمية الإحصائية للاختلافات الملحوظة في الاستقرار بين طرق التعلم العميق وطرق التجميع.
النتائج
في هذه الدراسة، تم تقييم أربعة تكوينات نموذجية لتحديد فعاليتها في مهام التصنيف. شملت التكوينات: (i) Wav2Vec المدمج مع نموذج هجين يتكون من الشبكات العصبية التلافيفية (CNN) وشبكات الذاكرة القصيرة والطويلة (LSTM)، (ii) Wav2Vec المقترن بـ XGBoost، (iii) الميزات العادية المدمجة مع النموذج الهجين، و(iv) الميزات العادية المستخدمة مع XGBoost.
تم تقييم أداء هذه النماذج باستخدام مصفوفات الالتباس ومقاييس التصنيف المختلفة، مما يسمح بمقارنة شاملة لقدراتها التنبؤية. تشير النتائج إلى نقاط القوة والضعف النسبية لكل تكوين، مما يوفر رؤى حول الأساليب المثلى لمشكلة التصنيف المعطاة.
المناقشة
في هذه الدراسة، استكشف المؤلفون تصنيف أصوات القلب للكشف عن الأمراض القلبية الوعائية (CVD) باستخدام مجموعة بيانات تضم 1000 تسجيل مصنفة إلى خمس فئات: تضيق الشريان الأورطي (AS)، ارتجاع الصمام التاجي (MR)، تدلي الصمام التاجي (MVP)، تضيق الصمام التاجي (MS)، وعادي (N). خضعت التسجيلات لعملية معالجة مسبقة صارمة، بما في ذلك إعادة العينة، وتطبيع السعة، والترشيح، لضمان التوحيد قبل استخراج الميزات. تم استخراج ميزات صوتية متنوعة، مثل معاملات تردد ميل (MFCC)، وخرائط Log-Mel الطيفية، ومعاملات دلتا، من بين أمور أخرى. استخدمت الدراسة نموذجين من التعلم الآلي: نموذج CNN-LSTM الهجين و XGBoost، مع تقييم أدائهما على مجموعات ميزات مختلفة.
أشارت النتائج إلى أن النماذج التي تستخدم الميزات الصوتية التقليدية تفوقت بشكل كبير على تلك المعتمدة فقط على تمثيلات Wav2Vec، حيث حققت دقة بنسبة 99% مع تكوين الميزات العادية + XGBoost و 98.2% مع النموذج الهجين + الميزات العادية. تشير النتائج إلى أن الميزات الخاصة بالمجال توفر معلومات أغنى لتصنيف أصوات القلب، بينما يلتقط النموذج الهجين الخصائص المكانية والزمنية بشكل فعال. على الرغم من الدقة العالية، أشار المؤلفون إلى التحديات في الترجمة السريرية، مثل تداخل الضوضاء والتباين عبر أجهزة التسجيل، مما يبرز الحاجة إلى مزيد من التحقق في البيئات الواقعية. بشكل عام، تسلط الدراسة الضوء على أهمية الجمع بين الميزات المصممة وتقنيات التعلم الآلي القوية لتعزيز تشخيص الأمراض القلبية الوعائية بشكل آلي.
DOI: https://doi.org/10.3390/s26020630
PMID: https://pubmed.ncbi.nlm.nih.gov/41600426
Publication Date: 2026-01-17
Author(s): P. P Satya Karthikeya et al.
Primary Topic: Phonocardiography and Auscultation Techniques
Overview
The research investigates the efficacy of integrating traditional acoustic features with transformer-based Wav2Vec embeddings for the multiclass classification of heart sounds, which is vital for the early detection of cardiovascular diseases (CVD). The study extracted ten engineered acoustic features, including Log Mel, MFCC, and discrete wavelet transform, and evaluated four model configurations: a hybrid CNN + LSTM and XGBoost, trained on either regular features or Wav2Vec embeddings. Results indicate that models utilizing regular features consistently outperformed those based on Wav2Vec, with XGBoost achieving the highest accuracy of 99%, compared to 98% for the hybrid model.
The findings underscore the significance of domain-specific feature engineering in enhancing heart sound classification accuracy. Traditional features such as MFCC and Log-Mel provide essential temporal and spectral information that surpasses the performance of generic transformer embeddings. While the hybrid CNN + LSTM model effectively captures spatial and temporal patterns, XGBoost’s ability to leverage structured multi-feature data and mitigate overfitting leads to superior performance. Overall, this research confirms that the combination of engineered acoustic features with ensemble learning techniques like XGBoost offers a reliable and clinically applicable approach for automated CVD diagnostics.
Introduction
The introduction of this research paper highlights the growing prevalence of cardiovascular diseases (CVDs) and the urgent need for effective early detection and monitoring techniques. Traditional methods, such as auscultation, while widely used, face significant limitations due to their reliance on clinician expertise and subjective interpretation, which can lead to diagnostic inaccuracies. Heart sounds, particularly the first (S1) and second (S2) heart sounds, serve as critical indicators of cardiac health, but their detection can be compromised by various factors, including environmental noise and patient characteristics. This underscores the necessity for automated and objective approaches to heart sound analysis, leveraging advanced signal processing and artificial intelligence (AI) techniques to enhance diagnostic reliability and efficiency.
The paper discusses the importance of feature extraction in heart sound classification, emphasizing techniques such as Mel Frequency Cepstral Coefficients (MFCC) and Log-Mel spectrograms, which capture essential characteristics of heart sounds. Machine learning (ML) and deep learning (DL) algorithms, including Convolutional Neural Networks (CNNs) and Long Short-Term Memory (LSTM) networks, are explored for their ability to analyze complex patterns in heart sound data. The integration of spatial and temporal information through hybrid models, such as CNN-LSTM, is noted for its potential to improve diagnostic accuracy in clinical settings. The study aims to evaluate the effectiveness of combining conventional acoustic features with transformer-based representations in enhancing the performance of the XGBoost classifier for detecting various cardiovascular conditions, thereby offering a practical solution for resource-constrained healthcare environments.
Methods
In the Methods section, the researchers implemented a rigorous experimental design to evaluate the generalizability of their models while preventing data leakage. The dataset was divided into three independent subsets: 70% for training, 15% for validation, and 15% for testing, with the partitioning conducted at the subject level to maintain strict subject independence, essential for medical diagnostic applications. The validation set was dedicated to hyperparameter optimization and early stopping, while the test set served as unseen data for final performance assessment.
To ensure statistical stability, a robust cross-validation approach was employed within the training subset. For the hybrid CNN-LSTM architecture, a 10-fold cross-validation (N = 10) was utilized to evaluate convergence stability across different data folds. In contrast, the XGBoost model underwent Monte Carlo cross-validation with 20 independent repetitions (N = 20) to assess the robustness of the gradient-boosted ensemble. The performance distributions of the models were statistically compared using the Wilcoxon Rank-Sum test, a non-parametric method suitable for independent samples without the assumption of normal distribution, thereby confirming the statistical significance of the observed stability differences between the deep learning and ensemble methods.
Results
In this study, four model configurations were assessed to determine their effectiveness in classification tasks. The configurations included: (i) Wav2Vec combined with a Hybrid Model consisting of Convolutional Neural Networks (CNN) and Long Short-Term Memory networks (LSTM), (ii) Wav2Vec paired with XGBoost, (iii) Regular Features integrated with the Hybrid Model, and (iv) Regular Features utilized with XGBoost.
The performance of these models was evaluated using confusion matrices and various classification metrics, allowing for a comprehensive comparison of their predictive capabilities. The results indicate the relative strengths and weaknesses of each configuration, providing insights into the optimal approaches for the given classification problem.
Discussion
In this study, the authors explored the classification of heart sounds for cardiovascular disease (CVD) detection using a dataset of 1000 recordings categorized into five classes: Aortic Stenosis (AS), Mitral Regurgitation (MR), Mitral Valve Prolapse (MVP), Mitral Stenosis (MS), and Normal (N). The recordings underwent a rigorous preprocessing pipeline, including resampling, amplitude normalization, and filtering, to ensure uniformity before feature extraction. Various acoustic features were extracted, such as Mel Frequency Cepstral Coefficients (MFCC), Log-Mel spectrograms, and Delta coefficients, among others. The study employed two machine learning models: a hybrid CNN-LSTM model and XGBoost, evaluating their performance on different feature sets.
The results indicated that models utilizing traditional acoustic features significantly outperformed those based solely on Wav2Vec embeddings, achieving accuracies of 99% with the Regular Features + XGBoost configuration and 98.2% with the Regular Features + Hybrid model. The findings suggest that domain-specific features provide richer information for heart sound classification, while the hybrid model effectively captures both spatial and temporal characteristics. Despite the high accuracy, the authors noted challenges in clinical translation, such as noise interference and variability across recording devices, emphasizing the need for further validation in real-world settings. Overall, the study highlights the importance of combining engineered features with robust machine learning techniques to enhance automated CVD diagnostics.