Manikin-Recorded Cardiopulmonary Sounds Dataset Using Digital Stethoscope

Technische Samenvatting: Mannequin-opgenomen Dataset van Cardiopulmonale Geluiden met behulp van een Digitale Stethoscoop

Probleemstelling
Cardiopulmonale aandoeningen blijven een leidende oorzaak van wereldwijde sterfte, wat een nauwkeurige analyse van hart- en longfuncties vereist. Hoewel auscultatie een essentieel diagnostisch hulpmiddel is, zijn de betrokken akoestische signalen zwak en vereisen ze geavanceerde analyse. Hoewel kunstmatige intelligentie (KI) en machine learning de klinische besluitvorming hebben verbeterd, wordt hun effectiviteit beperkt door het gebrek aan hoogwaardige, diverse datasets die zowel hart- als longgeluiden bevatten. Bestaande datasets richten zich vaak uitsluitend op ofwel cardiale ofwel respiratoire geluiden, missen gemengde opnames, of vertrouwen op naderhand gemixte afzonderlijke bestanden in plaats van gelijktijdige opname. Bovendien maken veel eerdere werken gebruik van oudere elektronische stethoscopen met een lagere resolutie dan moderne digitale alternatieven.

Methodologie
Om deze hiaten aan te pakken, hebben de auteurs een dataset ontwikkeld met behulp van een gecontroleerde, risicovrije omgeving die een klinische vaardighedenmannequin en geavanceerde opnamehardware omvat.

• Data Bron: Opnames werden gegenereerd met de CAE Juno™ mid-fidelity patiëntsimulator, die uitwisselbare mannelijke en vrouwelijke borststukken heeft en in staat is om gesynchroniseerde hartcycli en ventilatie te simuleren. De simulator werd bediend via de CAE Maestro-software op een tablet die via Wi-Fi was verbonden, waardoor real-time aanpassing van simulatieparameters mogelijk was.
• Opnamehardware: Het onderzoek maakte gebruik van de 3M™ Littmann® CORE Digitale Stethoscoop, die via Bluetooth was verbonden met een mobiele applicatie voor visualisatie en opslag. Dit apparaat biedt tot 40x versterking, actieve ruisonderdrukking (85% reductie) en ingebouwde frequentiefilters.
• Opnameprotocol:
  • Omgeving: Opnames werden uitgevoerd in een rustige, geluidsarme professionele praktijkcollaboratory met de mannequin in zittende positie.
  • Locaties: Geluiden werden vastgelegd op 12 distincte anatomische landmarks, inclusief standaard auscultatieplaatsen voor het hart (Apex, RUSB, LUSB, LLSB, RC, LC) en longzones (Boven, Midden en Onder Anterieur aan zowel de rechter- als linkerzijde).
  • Filters: Drie filtermodi werden toegepast op basis van het doelgeluid: Bell-modus (20–200 Hz) voor laagfrequente hartgeluiden, Diafragma-modus (100–500 Hz) voor hoogfrequente longgeluiden, en Midrange-modus (50–500 Hz) voor gemengde opnames.
  • Duur: Elke opname duurde 15 seconden, vastgelegd met een sample rate van 22.050 Hz in .wav-formaat.
• Datasamenstelling: De definitieve dataset omvat 210 opnames (101 vrouwelijk, 109 mannelijk) ingedeeld in drie groepen:
  1. Hartgeluiden (HS): 50 opnames die normale geluiden en 9 afwijkingen bestrijken (bijv. geruisen, atriumfibrilleren, tachycardie, S3/S4).
  2. Longgeluiden (LS): 50 opnames die normale geluiden en 5 afwijkingen bestrijken (bijv. piepende ademhaling, krakende geluiden, rhonchi, pleurale wrijving, gorgelen).
  3. Gemengde Geluiden (Mix): 110 opnames die gelijktijdige hart- en longgeluiden vastleggen met diverse combinaties van de bovengenoemde pathologieën.
• Validatie: Een verpleegkundig team verifieerde de identificatie van auscultatielandschappen. Kwalitatieve analyse werd uitgevoerd door naar audiobestanden te luisteren om te waarborgen dat deze overeenkwamen met de verwachte fysiologische patronen. De mannequin ondergaat jaarlijkse kalibratie om nauwkeurigheid te waarborgen.

Belangrijkste Bijdragen
De primaire bijdrage van dit werk is de vrijgave van een nieuwe dataset die gelijktijdige, natuurlijk voorkomende gemengde cardiorespiratoire opnames biedt, een kenmerk dat de auteurs ontbrekend noemen in eerdere grote datasets (zoals die van Tsai et al., Fraiwan et al. en Oliveira et al.).

• Unieke Gemengde Opnames: In tegenstelling tot datasets waar hart- en longgeluiden afzonderlijk worden opgenomen en algoritmisch worden gemixt, legt deze dataset de natuurlijke overlap van signalen vast, wat cruciaal is voor het ontwikkelen van onbewuste scheidingsmethoden zoals blind source separation.
• Diversiteit: De dataset omvat een bredere reeks afwijkingen dan eerdere op simulatoren gebaseerde studies, met tien distincte hartgeluidstypen en zes longgeluidstypen.
• Hoge Fideliteit: Het gebruik van een digitale stethoscoop met geavanceerde filtering en ruisonderdrukking biedt hogere resolutie en schonere signalen dan datasets die zijn opgenomen met oudere elektronische stethoscopen.
• Metadata: Elk bestand wordt vergezeld van een CSV-bestand met gedetailleerde metadata, waaronder geslacht, specifieke geluidstypen en anatomische locatie, volgens een gestructureerde naamgevingsconventie.

Resultaten en Validatie
Het onderzoek heeft succesvol 210 hoogwaardige audiobestanden gegenereerd. De auteurs hebben de data gevalideerd via:

1. Technische Specificaties: Bevestiging van de frequentierespons en ruisonderdrukkingscapaciteiten van de stethoscoop (Tabel 1).
2. Kwalitatieve Analyse: Expertverificatie dat de opgenomen golfvormen en spectrogrammen (gevisualiseerd in Figuren 5 en 6) overeenkwamen met de verwachte fysiologische patronen.
3. Reproduceerbaarheid: Het gebruik van een gestandaardiseerde mannequin en opnameprotocol zorgt ervoor dat de dataset in vergelijkbare scenario's kan worden gereproduceerd.

Betekenis en Claims
De auteurs positioneren deze dataset als een waardevolle bron voor de gemeenschappen van biomedische techniek en KI-onderzoek. Zij stellen dat de specifieke bruikbaarheid ligt in:

• Algoritmeontwikkeling: Het ondersteunt zowel toezicht op leren (voor classificatie van distincte hart-/longgeluiden) als onbewust leren (voor clustering en blind source separation van gemengde signalen).
• Klinische Toepassingen: De dataset is bedoeld voor gebruik in geautomatiseerde detectie van cardiopulmonale ziekten, geluidsclassificatie en signaalverwerkingstaken zoals Principal Component Analysis (PCA), Independent Component Analysis (ICA), Support Vector Machines (SVM) en Convolutional Neural Networks (CNN's).
• Fundament voor Toekomstig Werk: De auteurs merken op dat zij deze dataset al hebben gebruikt om een gewijzigde affiene non-negatieve matrixfactorisatie (NMF)-methode voor blinde scheiding voor te stellen, wat de directe toepasbaarheid op geavanceerd signaalverwerkingsonderzoek aantoont.

Het artikel concludeert dat door schone, geïsoleerde en gemengde opnames te bieden in een realistische simulatieomgeving, deze dataset een kritieke knelpunt aanpakt bij het trainen van robuuste KI-modellen voor cardiopulmonale monitoring.