UNRIYOUNRIYO
International Journal of Informatics and ComputationInternational Journal of Informatics and ComputationPenyakit kardiovaskular tetap menjadi salah satu penyebab utama kematian di seluruh dunia, yang meningkatkan kebutuhan akan metode deteksi dini yang akurat dan efisien. Dalam makalah ini, kami memanfaatkan analisis suara jantung sebagai pendekatan skrining non-invasif untuk membedakan kondisi jantung normal dan abnormal. Kami menerapkan Mel-Frequency Cepstral Coefficients (MFCC) untuk mengekstraksi fitur spektral yang diskriminatif dari rekaman suara jantung dan menggunakan tiga arsitektur Convolutional Neural Network (CNN) termasuk AlexNet, VGG16, dan ResNet18 untuk klasifikasi. Untuk meningkatkan ketahanan model dan mengurangi overfitting, kami menerapkan teknik augmentasi data audio, termasuk penambahan noise putih, skalasi nada, peregangan waktu, dan penyesuaian gain acak. Kami melatih semua model menggunakan ukuran batch 32, 25 epoch, dan tingkat belajar 0,0001. Hasil eksperimen menunjukkan bahwa tingkat belajar ini memberikan konvergensi stabil dan kinerja optimal di seluruh arsitektur. AlexNet mencapai akurasi tertinggi sebesar 100%, diikuti oleh VGG16 dengan 99,5% dan ResNet18 dengan 97%. Secara keseluruhan, makalah ini menunjukkan bahwa kombinasi ekstraksi fitur MFCC, augmentasi data, dan pemodelan CNN memberikan klasifikasi suara jantung yang sangat akurat dan andal, dengan potensi yang kuat untuk aplikasi skrining klinis praktis.
Makalah ini mengusulkan dan menerapkan sistem klasifikasi suara jantung menggunakan MFCC dan CNN.Kami memanfaatkan MFCC untuk mengekstraksi fitur spektral yang bermakna dari sinyal suara jantung dan menerapkan tiga arsitektur CNN, termasuk AlexNet, VGG16, dan ResNet18 untuk melakukan klasifikasi.Kami melatih model menggunakan ukuran batch 32, 25 epoch, dan tingkat belajar 0,0001 untuk memastikan konvergensi stabil.Hasil eksperimen menunjukkan bahwa ketiga model mencapai kinerja klasifikasi yang tinggi.AlexNet mencapai akurasi 100%, VGG16 mencapai 99,5%, dan ResNet18 mencapai 97%.Temuan ini mengonfirmasi bahwa kerangka kerja MFCC-CNN yang diusulkan efektif membedakan antara suara jantung normal dan abnormal.Kami mengevaluasi sistem menggunakan 200 rekaman suara jantung yang tidak terlihat sebelumnya, dengan 40 sampel per kelas.Kami mengukur kinerja menggunakan akurasi, presisi, recall, dan F1-score.Hasil dalam Tabel 3 menunjukkan kinerja yang kuat di sebagian besar kategori.Ketiga model mencapai nilai presisi, recall, dan F1-score yang tinggi.Hasil ini menunjukkan bahwa model mengklasifikasikan sebagian besar jenis suara jantung dengan benar dan konsisten.Ia mengklasifikasikan semua sampel dengan benar tanpa kesalahan.VGG16 mencapai akurasi 99,5%, dengan hanya satu kesalahan klasifikasi dalam kelas Mitral Regurgitation, di mana satu sampel diprediksi sebagai Aortic Stenosis.ResNet18 mencapai akurasi 97% dan menunjukkan lebih banyak kesalahan, terutama dalam kelas Mitral Regurgitation dan MVP.Empat sampel Mitral Regurgitation diprediksi sebagai MVP, dan satu sampel MVP diprediksi sebagai Mitral Stenosis.Kami juga menggunakan matriks kebingungan untuk memvisualisasikan pola kesalahan ini dan memahami lebih baik bagaimana perilaku setiap model di seluruh kelas.Hasil analisis matriks kebingungan menunjukkan bahwa sebagian besar sampel diklasifikasikan dengan benar.Namun, kami mengamati beberapa kesalahan klasifikasi dalam kelas dengan karakteristik akustik yang serupa, terutama dalam kategori Mitral Regurgitation dan MVP.Kesalahan ini menunjukkan tantangan dalam membedakan kondisi jantung dengan pola spektral yang tumpang tindih, bahkan saat menggunakan model pembelajaran dalam.
Berdasarkan temuan penelitian ini, kami mengusulkan beberapa saran penelitian lanjutan untuk meningkatkan kinerja dan keandalan sistem klasifikasi suara jantung. Pertama, kami menyarankan untuk mengeksplorasi teknik augmentasi data yang lebih canggih dan beragam untuk meningkatkan ketahanan model terhadap variasi suara jantung dalam kondisi klinis yang nyata. Teknik-teknik ini dapat mencakup modifikasi spektrum frekuensi, penambahan noise yang lebih kompleks, dan manipulasi sinyal lainnya. Dengan meningkatkan keragaman data pelatihan, model dapat belajar untuk mengidentifikasi pola suara jantung yang lebih beragam dan meningkatkan akurasi klasifikasi. Kedua, kami mengusulkan untuk menyelidiki arsitektur CNN yang lebih dalam dan kompleks, seperti ResNet50 atau DenseNet, untuk meningkatkan kemampuan ekstraksi fitur dan klasifikasi. Arsitektur-arsitektur ini telah menunjukkan kinerja yang unggul dalam tugas-tugas pengenalan pola, dan dengan mengintegrasikan mereka ke dalam sistem klasifikasi suara jantung, kami dapat meningkatkan akurasi dan ketahanan terhadap variasi suara jantung. Terakhir, kami menyarankan untuk mengeksplorasi teknik-teknik fusi fitur yang lebih canggih, seperti menggabungkan fitur MFCC dengan fitur-fitur yang diekstraksi dari domain waktu atau frekuensi lainnya. Dengan menggabungkan informasi dari berbagai domain, kami dapat meningkatkan representasi suara jantung dan meningkatkan kemampuan model untuk membedakan antara kondisi jantung yang berbeda. Dengan menerapkan saran-saran ini, kami berharap dapat meningkatkan kinerja dan keandalan sistem klasifikasi suara jantung, sehingga dapat memberikan kontribusi yang signifikan dalam deteksi dini penyakit kardiovaskular dan meningkatkan kualitas perawatan kesehatan.
- Client Challenge. client challenge javascript disabled browser please enable proceed required part site... asp-eurasipjournals.springeropen.com/articles/10.1186/s13634-025-01203-0Client Challenge client challenge javascript disabled browser please enable proceed required part site asp eurasipjournals springeropen articles 10 1186 s13634 025 01203 0
- A Deep-Learning Approach to Heart Sound Classification Based on Combined Time-Frequency Representations.... doi.org/10.3390/technologies13040147A Deep Learning Approach to Heart Sound Classification Based on Combined Time Frequency Representations doi 10 3390 technologies13040147
| File size | 612.27 KB |
| Pages | 11 |
| DMCA | Report |
Related /
UNRIYOUNRIYO Metodologi mencakup pra-pemrosesan data, pemilihan fitur, dan pelatihan serta penilaian model. Hasil menunjukkan bahwa CNN dan SVM menunjukkan kinerjaMetodologi mencakup pra-pemrosesan data, pemilihan fitur, dan pelatihan serta penilaian model. Hasil menunjukkan bahwa CNN dan SVM menunjukkan kinerja
UNRIYOUNRIYO Stunting tetap menjadi masalah kesehatan masyarakat yang memerlukan penilaian risiko awal dan akurat untuk mendukung strategi pencegahan yang efektif.Stunting tetap menjadi masalah kesehatan masyarakat yang memerlukan penilaian risiko awal dan akurat untuk mendukung strategi pencegahan yang efektif.
UNRIYOUNRIYO Dengan mengintegrasikan pengumpulan data berbasis sensor dengan antarmuka yang ramah pengguna, prototipe ini memfasilitasi akses segera ke indikator kesehatanDengan mengintegrasikan pengumpulan data berbasis sensor dengan antarmuka yang ramah pengguna, prototipe ini memfasilitasi akses segera ke indikator kesehatan
UMBUMB Elektromiografi (EMG) adalah alat diagnostik standar untuk mendeteksi NPD, namun sinyalnya yang kompleks membuat analisis memakan waktu, sehingga menundaElektromiografi (EMG) adalah alat diagnostik standar untuk mendeteksi NPD, namun sinyalnya yang kompleks membuat analisis memakan waktu, sehingga menunda
UNRIYOUNRIYO Kesenjangan pemahaman bahasa isyarat antara orang tuli dan masyarakat umum sering menghambat interaksi sosial mereka. Penelitian ini mengembangkan modelKesenjangan pemahaman bahasa isyarat antara orang tuli dan masyarakat umum sering menghambat interaksi sosial mereka. Penelitian ini mengembangkan model
UNRIYOUNRIYO Dengan memanfaatkan pemahaman konteks yang canggih dari BERT, kami berupaya meningkatkan akurasi deteksi berita palsu di domain kritis ini. PendekatanDengan memanfaatkan pemahaman konteks yang canggih dari BERT, kami berupaya meningkatkan akurasi deteksi berita palsu di domain kritis ini. Pendekatan
JOURNAL COMPUTINGJOURNAL COMPUTING Indonesia memiliki tingkat konsumsi teh tertinggi di dunia, di mana kualitas daun teh sangat bergantung pada lokasi tumbuhnya. Untuk mengidentifikasi jenisIndonesia memiliki tingkat konsumsi teh tertinggi di dunia, di mana kualitas daun teh sangat bergantung pada lokasi tumbuhnya. Untuk mengidentifikasi jenis
UNRIYOUNRIYO Erupsi Gunung Merapi tahun 2010 menyebabkan kerusakan pada perumahan di wilayah Sleman, DIY, dan Magelang, Jawa Tengah. Program rehabilitasi dan rekonstruksiErupsi Gunung Merapi tahun 2010 menyebabkan kerusakan pada perumahan di wilayah Sleman, DIY, dan Magelang, Jawa Tengah. Program rehabilitasi dan rekonstruksi
Useful /
UNRIYOUNRIYO Penelitian masa depan harus memperluas cakupan literatur dengan memasukkan basis data akademik tambahan, memperpanjang jangka waktu publikasi, dan melakukanPenelitian masa depan harus memperluas cakupan literatur dengan memasukkan basis data akademik tambahan, memperpanjang jangka waktu publikasi, dan melakukan
IAIN CURUPIAIN CURUP Secara preventif, literasi publik dan partisipasi sukarela masih terbatas. kuratif, penegakan keadilan terhambat kurangnya hukum substantif syariah. danSecara preventif, literasi publik dan partisipasi sukarela masih terbatas. kuratif, penegakan keadilan terhambat kurangnya hukum substantif syariah. dan
UNRIYOUNRIYO Penelitian ini menunjukkan efektivitas pendekatan ini, mencapai tingkat akurasi deteksi sebesar 80,95% menggunakan teknik deteksi lintasan. Tingkat akurasiPenelitian ini menunjukkan efektivitas pendekatan ini, mencapai tingkat akurasi deteksi sebesar 80,95% menggunakan teknik deteksi lintasan. Tingkat akurasi
UNIPASUNIPAS Hasil penelitian ini menunjukkan bahwa manajemen drainase Dinas PUTR Kabupaten Buleleng dalam mengatasi banjir di Kota Singaraja baik Perencanaan,Pengorganisasian,Pengarahan,danHasil penelitian ini menunjukkan bahwa manajemen drainase Dinas PUTR Kabupaten Buleleng dalam mengatasi banjir di Kota Singaraja baik Perencanaan,Pengorganisasian,Pengarahan,dan