Selección de características 2D en representaciones tiempo frecuencia para la detección de soplos cardíacos

En el presente trabajo se propone una metodología para la reducción de dimensión en representaciones tiempo frecuencia (TFRs) enfocada a la clasificación de bioseñales no estacionarias, que trata directamente su cantidad de datos irrelevantes y redundantes, combinando una etapa de selección de características con una etapa de reducción de dimensión por medio de métodos de descomposición lineal extendidos a datos bidimensionales. La metodología se prueba sobre un conjunto de TFRs paramétricas calculadas sobre una base de datos de señales fonocardiográficas (FCG) para la detección de soplos cardiacos. Los resultados muestran una mejora comparados con otras metodologías que no tienen en cuenta la presencia de datos irrelevantes y redundantes en las representaciones, además, el uso de las metodologías de descomposición lineal bidimensionales reducen adecuadamente la redundancia de las TFRs, obteniendo un nuevo conjunto de características 2D de menor dimensión que el conjunto inicial.

Abstract

In this paper is proposed a methodology for dimensionality reduction of time-frequency representations (TFRs) aimed to nonstationary biosignal classification that deals directly with large quantity of irrelevant and redundant data, combining a stage of feature selection with a stage of dimensionality reduction by linear decomposition methods extended to bidimensional data. The methodology is tested on a set of parametric TFRs computed from a phonocardiographic signal database (PCG) for detection of heart murmurs. Results show an improvement compared with other methodologies that do not account for irrelevant and redundant data in these representations and demonstrate that the use of bidimensional linear decomposition methods adequately reduce redundancy on TFRs, obtaining a new feature set of lower dimension than the original dataset.