Utilization of Deep Learning and Expert Feature Classifier for Detection of Heart Murmurs

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68081731%3A_____%2F22%3A00583010" target="_blank" >RIV/68081731:_____/22:00583010 - isvavai.cz</a>

Výsledek na webu

<a href="https://ieeexplore.ieee.org/document/10081763" target="_blank" >https://ieeexplore.ieee.org/document/10081763</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.22489/CinC.2022.041" target="_blank" >10.22489/CinC.2022.041</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Utilization of Deep Learning and Expert Feature Classifier for Detection of Heart Murmurs

Popis výsledku v původním jazyce

This paper introduces our solution (ISIBrno-AIMT team) to the Physionet Challenge 2022. The main goal of the challenge was a classification of heart murmurs from phonocardiographic recordings into three mutually exclusive classes (i.e., present, unknown, and not present) and to determine whether the patient's overall status is Normal or Abnormal. We propose a deep learning method that classifies whether there is a heart murmur in the phonocardiographic recording and also provides heart sound segmen-tation. Furthermore, the expert feature classifier assesses whether the patient's status is normal or abnormal. Our approach achieved a hidden test challenge score of 0.755 in the murmur classification task and a score of 12313 in the patient outcome classification task. Our team was ranked as 9th and 12th out of 40 teams in the official ranking for murmur and outcome classification, respectively.

Název v anglickém jazyce

Utilization of Deep Learning and Expert Feature Classifier for Detection of Heart Murmurs

Popis výsledku anglicky

This paper introduces our solution (ISIBrno-AIMT team) to the Physionet Challenge 2022. The main goal of the challenge was a classification of heart murmurs from phonocardiographic recordings into three mutually exclusive classes (i.e., present, unknown, and not present) and to determine whether the patient's overall status is Normal or Abnormal. We propose a deep learning method that classifies whether there is a heart murmur in the phonocardiographic recording and also provides heart sound segmen-tation. Furthermore, the expert feature classifier assesses whether the patient's status is normal or abnormal. Our approach achieved a hidden test challenge score of 0.755 in the murmur classification task and a score of 12313 in the patient outcome classification task. Our team was ranked as 9th and 12th out of 40 teams in the official ranking for murmur and outcome classification, respectively.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

20601 - Medical engineering

Projekt

<a href="/cs/project/FW01010305" target="_blank" >FW01010305: Umělá inteligence pro autonomní klasifikaci EKG v rámci online telemedicínské platformy</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2022

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

2022 Computing in Cardiology (CinC)

ISBN

979-8-3503-0097-0

ISSN

2325-8861

e-ISSN

2325-887X

Počet stran výsledku

4

Strana od-do

041

Název nakladatele

IEEE

Místo vydání

New York

Místo konání akce

Tampere

Datum konání akce

4. 9. 2022

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—