Benchmarking Time-Frequency Representations of Phonocardiogram Signals for Classification of Valvular Heart Diseases Using Deep Features and Machine Learning

• Autores: Cuela Flores, Jefry Benjamin, Mendoza Chambi, Edwin Anderson
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Nacional de San Agustín
• Repositorio: UNSA-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unsa.edu.pe:20.500.12773/20028
• Enlace del recurso: https://hdl.handle.net/20.500.12773/20028
• Nivel de acceso: acceso abierto
• Materia: Enfermedades cardíacas valvulares; Representaciones de tiempo-frecuencia; Algoritmos de aprendizaje automático; https://purl.org/pe-repo/ocde/ford#2.02.01

Los ruidos cardíacos y los soplos cardíacos proporcionan información diagnóstica crucial para las enfermedades cardíacas valvulares (VHD). Un fonocardiograma (PCG), combinado con técnicas modernas de procesamiento digital, proporciona una herramienta complementaria para los médicos. Este artículo propone un punto de referencia para diferentes representaciones tiempo-frecuencia , que son espectogramas, mel-espectogramas y cocleogramas para la obtención de imágenes, además del uso de dos técnicas de interpolación para mejorar la calidad de las imágenes: bicúbica y de Lanczos. Se extraen características profundas de un modelo preentrenado llamado VGG16, y para la reducción de características, se aplica el algoritmo Boruta. Para evaluar los modelos y obtener resultados más precisos, se utiliza la validación cruzada anidada. Los mejores resultados obtenidos en este estudio fueron para el cocleograma con una precisión del 99,2% y la representación mel-espectograma con la técnica de interpolación bicúbica, que alcanzó una precisión del 99,4%. Ambos con una máquina de vectores de soporte (SVM) como algoritmo clasificador. En general, este estudio destaca el potencial de las representaciones de tiempo-frecuencia de las señales PCG combinadas con técnicas modernas de procesamiento digital y algoritmos de aprendizaje automático para un diagnóstico preciso de VHD.