🤖 AI

Classification of systolic murmurs in heart sounds using multiresolution complex Gabor dictionary and vision transformer

Deze studie presenteert een automatisch classificatiesysteem voor systolische murmels dat multiresolutie-complexe Gabor-dictionaries combineert met een Vision Transformer-architectuur, wat resulteert in een nauwkeurigheid van 95,96% bij het identificeren van hartafwijkingen.

Oorspronkelijke auteurs: Mahmoud Fakhry, Abeer FathAllah Brery

Gepubliceerd 2026-04-21

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Mahmoud Fakhry, Abeer FathAllah Brery

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

🫀 Het Hart als een Muziekband: Een Nieuwe Manier om Hartgeluiden te Lezen

Stel je voor dat je hart niet alleen een pomp is, maar ook een muziekinstrument. Normaal gesproken maakt het een ritmisch, rustig geluid: boem-tak, boem-tak. Maar soms, als er iets mis is met de kleppen of als er een gat in het hart zit, ontstaat er een geruis (een 'murmur'). Dit klinkt als een extra fluitje, een zoem of een ruis in de muziek.

Artsen luisteren naar deze geluiden met een stethoscoop om te zien of er iets mis is. Maar het is lastig: sommige geluiden lijken op elkaar, en het is moeilijk om precies te zeggen welk type probleem er is.

De auteurs van dit artikel hebben een slimme computer bedacht die beter kan luisteren dan de meeste mensen. Ze noemen hun systeem een "Digitale Hart-Detective". Hier is hoe het werkt, stap voor stap:

1. De "Luister-Oor" (Het Feature Extraction Module)

Stel je voor dat je een gesprek probeert te verstaan in een drukke bar. Als je alleen naar het volume luistert, hoor je alleen lawaai. Als je alleen naar de toonhoogte luistert, hoor je alleen fluiten. Je moet naar beide tegelijk kijken.

Deze computer doet iets vergelijkbaars, maar dan met wiskunde:

De Multiresolutie Gabor-Dictionary: Dit is als een enorme doos met duizenden verschillende "luister-oren". Sommige oren zijn heel goed in het horen van korte, snelle geluiden (zoals een klap), en andere zijn goed in het horen van lange, diepe tonen.
COMP (Complex Orthogonal Matching Pursuit): Dit is de slimme techniek die de computer gebruikt om te beslissen: "Welke van die duizenden oren horen dit specifieke geluid het beste?"
Het Magische Trucje: Vaak heeft een patiënt meerdere geluiden in één opname. De computer kijkt niet naar elk geluidje apart, maar kijkt naar alle geluidjes van die persoon tegelijk. Hij zegt: "Oké, dit geluidje en dat geluidje komen van dezelfde persoon. Laten we ze vergelijken zodat we de echte 'stempel' van het probleem vinden, zonder dat ruis ons verwarren."

Vergelijking: Het is alsof je een foto van een gezicht maakt, maar dan in plaats van één foto, je duizenden foto's maakt met verschillende filters (scherp, wazig, zwart-wit, kleur). De computer pakt de beste details uit al die foto's en plakt ze samen tot één perfect beeld.

2. De "Scherpe Oog" (De Vision Transformer)

Nu heeft de computer een reeks van die "perfecte beelden" (die wiskundige kaarten van de geluiden). Maar hoe leert de computer wat een "Diamond"-geluid is en wat een "Plateau"-geluid is?

Vision Transformer (ViT): Dit is een soort super-intelligente kunstenaar die bekend staat om het analyseren van foto's. In plaats van naar de hele foto te kijken als één groot blok, snijdt de computer de foto in kleine puzzelstukjes (patches).
Het Puzzen: De computer kijkt naar elk puzzelstukje en vraagt zich af: "Hoe verhoudt dit stukje zich tot de andere stukjes?"
- Bij een Diamond-geluid (een veelvoorkomend type) begint het geluid zacht, wordt het hard en wordt het weer zacht. De computer ziet dit patroon in de puzzelstukjes.
- Bij een Plateau-geluid blijft het geluid even hard. De computer herkent die vlakke lijn.

De computer gebruikt een Aandachtssysteem (Self-Attention). Dit is alsof de computer een vergrootglas heeft en zegt: "Kijk eens goed naar dit stukje hier, dat lijkt erg op dat stukje daar. Die twee horen bij elkaar." Zo begrijpt hij het hele plaatje, niet alleen losse delen.

3. Het Resultaat: Een Diagnose in een Vuur

De computer heeft nu alle stukjes van de puzzel samengevoegd en weet precies welk type hartgeluid het is.

De Test: Ze hebben hun systeem getest op een grote database van echte hartopnames (de CirCor DigiScope dataset).
De Score: Het systeem haalde een score van 95,96%. Dat betekent dat het in bijna 96 van de 100 gevallen precies wist wat er aan de hand was.
Vergelijking: Andere methoden (zoals ouderwetse trucs of andere AI-modellen) scoorden lager, vaak rond de 80-85%.

Waarom is dit belangrijk?

Vroegtijdige Detectie: Hartziekten zijn een van de grootste doodsoorzaken. Als je ze vroeg kunt opsporen, kun je ze beter behandelen.
Toegankelijkheid: Dit systeem kan op een computer of zelfs een tablet draaien. In landen waar er weinig specialisten zijn, kan een arts met een simpele opname en deze software al een zeer betrouwbare diagnose stellen.
Betrouwbaarheid: Het systeem is zo slim dat het zelfs de zeldzame en lastige geluiden herkent, zelfs als er maar heel weinig voorbeelden van in de database zaten.

Conclusie

Kortom: De onderzoekers hebben een computer bedacht die hartgeluiden niet alleen "hoort", maar ze ontleedt als een complexe puzzel. Door een slimme wiskundige techniek (om de geluiden scherp te krijgen) en een moderne AI-architectuur (die de patronen herkent), kunnen ze nu met bijna menselijke (en soms betere) nauwkeurigheid zeggen welk type hartprobleem er speelt. Het is alsof we een nieuwe, super-scherpe stethoscoop hebben die nooit moe wordt en nooit een foutje maakt door afgeleid te zijn.

Titel: Classificatie van systolische murmels in hartgeluiden met behulp van een multiresolutie complex Gabor-dictie en Vision Transformer

1. Het Probleem

Cardiovasculaire ziekten zijn een van de belangrijkste doodsoorzaken wereldwijd. Hartmurmels, veroorzaakt door turbulente bloedstroom, zijn cruciale indicatoren voor hartafwijkingen zoals klepdefecten. De analyse van deze geluiden (phonocardiogram of PCG) is echter uitdagend vanwege:

Niet-stationariteit: Hartgeluiden veranderen dynamisch tijdens de hartcyclus.
Variabiliteit: De intensiteit, toonhoogte en kwaliteit van murmels variëren sterk tussen patiënten en zelfs binnen dezelfde opname.
Beperkingen van bestaande methoden: Traditionele tijd- en frequentiedomein-methoden (zoals Fourier-transformatie) kunnen de complexe, niet-stationaire aard van murmels niet adequaat vastleggen. Bestaande deep-learning modellen (zoals CNN's en RNN's) hebben moeite met het vastleggen van lange-termijn afhankelijkheden of zijn vatbaar voor overfitting bij kleine datasets.
Classificatie van morfologie: Het is essentieel om specifieke vormen van systolische murmels te onderscheiden (diamantvormig, plateau, decrescendo, crescendo), maar dit vereist een zeer nauwkeurige extractie van tijds-frequentiekenmerken.

2. Methodologie

Het voorgestelde systeem bestaat uit twee hoofdcomponenten: een geavanceerd feature extraction module en een classificatiemodel op basis van een Vision Transformer (ViT).

A. Feature Extractie: Multiresolutie Complex Gabor Dictie

Dictie: Het systeem gebruikt een overcomplete dictie bestaande uit complexe Gabor-basisfuncties (GBF's) met verschillende resoluties. In tegenstelling tot reële Gabor-functies behouden complexe functies fase-informatie, wat essentieel is voor het onderscheiden van subtiele patronen (zoals fase-rotaties door turbulente stroming).
Multiresolutie: De dictie omvat 8 verschillende schalen (resoluties), variërend van hoge tijdsresolutie/laag frequentieresolutie tot lage tijdsresolutie/hoge frequentieresolutie.
Complex Orthogonal Matching Pursuit (COMP):
- Murmelsegmenten worden geprojecteerd op deze dictie om een schaarse representatie te vinden.
- Unieke aanpak: Het systeem kan meerdere segmenten van één opname gezamenlijk modelleren met een gedeelde dictie. Dit dwingt de segmenten om dezelfde set basisfuncties te gebruiken, waardoor de variabiliteit binnen één opname wordt geminimaliseerd en consistente tijds-frequentiekenmerken worden gegenereerd.
- De projectieweegs (complexe vectoren) worden opgesplitst per resolutie en herschikt tot 2D tijds-frequentie matrices ( $A_j$ ).

B. Classificatiemodel: Hybrid Vision Transformer

Tokenisatie: De gegenereerde tijds-frequentie matrices (voor elke van de 8 resoluties) worden als invoer gegeven aan afzonderlijke CNN-branches. Deze CNN's fungeren als "patch tokenizers" die de matrices omzetten in embedding-vectoren.
Concatenatie: Alle embeddings worden samengevoegd tot één matrix.
Transformer Encoder: De geconcateneerde embedding wordt verwerkt door een Vision Transformer-laag die bestaat uit:
- Multihead Attention: Om globale afhankelijkheden en context tussen verschillende resoluties en tijdssegmenten te modelleren.
- Feedforward Network (FFN): Een CNN met een kernelgrootte van 1 voor kanaal-transformaties.
- Residual Connections & Layer Normalization: Om het trainingsproces te stabiliseren en het verdwijnen van gradiënten te voorkomen.
Output: Een volledig verbonden laag met een softmax-activatie voor de definitieve classificatie in vier categorieën.

3. Belangrijkste Bijdragen

Nieuwe Feature Extractie: Ontwikkeling van een module die gebruikmaakt van een multiresolutie complex Gabor-dictie en COMP om intrinsieke tijds-frequentiekenmerken te extraheren, waarbij fase-informatie behouden blijft.
Gezamenlijke Segmentmodellering: Een innovatieve methode om meerdere segmenten van één opname te modelleren met een gedeelde dictie, wat de variabiliteit binnen een opname reduceert en consistentie in de kenmerken garandeert.
Hybride Architectuur: Integratie van CNN's voor lokale feature-extractie en Vision Transformers voor globale contextanalyse, specifiek ontworpen voor de verwerking van multiresolutie tijds-frequentie matrices.
Uitgebreide Validatie: Een grondige experimentele analyse op het openbare CirCor DigiScope-dataset, met focus op vier morfologische klassen van systolische murmels.

4. Resultaten

Het systeem werd getest op het CirCor DigiScope-dataset (4000 Hz, 4 anatomische locaties) met 4337 geannoteerde systolische segmenten verdeeld over vier klassen (Diamond, Plateau, Decrescendo, Crescendo).

Algemene Prestatie: Het beste model (Proposed II, met projectie van meerdere murmels) bereikte een classificatie-accuraatheid van 95,96%.
Vergelijking: Het systeem presteerde significant beter dan state-of-the-art baselines zoals ResNet en PCTMF-Net, ongeacht of deze werden getraind op STFT, CWT of WVD-features. De verbetering bedroeg ongeveer 10% in accuratie ten opzichte van de sterkste baseline.
Robuustheid: Het model toonde een hoge specificiteit (98,43%) en presteerde goed zelfs bij sterk onbalans in de dataset (bijv. slechts 27 segmenten voor de 'crescendo'-klasse).
Hyperparameters: De optimale configuratie gebruikte 4 attention heads met een dimensie van 32 kanalen per head.

5. Betekenis en Toekomstperspectief

Klinische Relevantie: De hoge nauwkeurigheid en het vermogen om subtiele morfologische verschillen te onderscheiden maken dit systeem een waardevol hulpmiddel voor de vroege diagnose van hartaandoeningen, vooral in settings met beperkte middelen.
Technische Innovatie: Het artikel demonstreert dat de combinatie van sparse modeling (Gabor/COMP) met moderne transformer-architecturen superieure resultaten oplevert voor medische audiosignalen in vergelijking met puur deep-learning benaderingen.
Toekomstig Werk: De auteurs plannen uitbreiding naar diastolische murmels, validatie op grotere en meer diverse datasets, en onderzoek naar real-time implementatie voor point-of-care toepassingen. Er wordt ook samengewerkt met clinici voor betere annotatie van diastolische patronen.

Conclusie: Dit onderzoek biedt een robuust en nauwkeurig raamwerk voor de automatische classificatie van hartmurmels door de kracht van multiresolutie signaalanalyse te combineren met de contextuele modellering van Vision Transformers.