KDDFeb, 2021

心跳异常检测的自动特征提取

PDF
TL;DR使用自动编码器从原始心跳音频中提取特征，探究在医疗保健中的异常检测应用。通过 1D 非因果卷积编码器和 WaveNet 解码器组成的自编码器进行特征学习，采用基于变分推理的修改目标及最大平均偏差（MMD）。此外，使用高斯链图模型对潜在分布进行建模以捕捉编码信号的时间相关性。在无监督方式下对自动编码器进行重新构建任务的训练后，通过训练 SVM 来预测异常，并在 PASCAL 分类心脏声音挑战提出的问题上进行评估，与文献中的结果进行比较。
heart soundanomaly detectionautoencodervariational inferencetemporal correlations
发现论文，激发创造
  • 使用 MFCC 特征和双流注意力网络从心音信号中检测心脏异常

    本文提出了一种采用注意力机制的新型深度学习双流网络，使用原始心音信号和 MFCC 特征检测病人心脏状况的异常，并获得了 87.11 的准确率、82.41 的灵敏度、91.8 的特异度和 87.12 的 MACC。

    Nov, 2022

  • FMM-Head: 使用先验知识提升基于自编码器的心电异常检测

    通过使用基于心电图形状先验知识的重建头（即 FMM-Head）替代自编码器（AE）的解码部分来提高异常检测能力和解释性特征的心电图异常检测模型。

    Oct, 2023

  • 基于分层条件变分自编码器的声学异常检测

    该研究旨在开发一种基于声学信号的无监督异常检测方法，提出了一种名为 HCVAE 的新方法，利用可用的分类层次知识来完善潜空间表示，提高异常检测性能，并在不同领域进行实证研究，其性能優于基线系统 15％的 AUC 得分。

    Jun, 2022

  • 使用深度学习的心音图传感技术进行异常心跳检测

    本文提出了一个基于循环神经网络（RNNs）的自动心脏听诊方案，旨在通过减轻手动听诊的负担和自动检测异常心跳来帮助医疗保健社区。该方案使用不同的 RNN 模型，通过降噪技术显著提高了异常心跳分类分数。这种基于 RNN 的方法可以在医疗物联网中用于远程监测应用的实时异常心跳检测。

    Jan, 2018

  • 无监督的音频特征学习分析

    本文提出一种基于卷积 LSTM 自编码器的音频预测器用于无监督特征提取，并给出了一种自编码器的训练方法，通过放大事件相似性得到独特的特征。与标准方法相比，使用此方法训练的音频预测器提取的特征在分类器或聚类方面显示出 13％或 36％的改进结果。

    Dec, 2017

  • 基于深度去噪自编码器的非侵入式动脉 - 静脉瘘血流检测

    该论文提出了一种基于深度降噪自编码器并利用表示学习的方法，来提取血管皮瘘病患者的听诊特征，该方法适用性更广和更具有普适性。

    Jun, 2023

  • 使用深度学习识别异常心音

    应用深度学习技术对心脏听诊进行自动化分类，结合卷积神经网络和时间频率热图表示，通过改进的损失函数，在 2016 年 PhysioNet Computing in Cardiology 挑战中取得了最佳结果。

    Jul, 2017

  • 基于动态变分轨迹模型的超声心动图可解释异常检测

    提出一种新型异常检测方法，利用心脏周期的周期性来学习三种变量潜在轨迹模型（TVAE），并在我们的新型数据集中进行学习和训练，可靠地识别严重的先天性心脏缺陷，同时在检测肺动脉高压和右心室扩张时表现出比基于标准变分自动编码器的最大后验概率（MAP）异常检测更优越的性能，并通过高亮异常心脏结构对应的区域的热力图实现输出解释。

    Jun, 2022

  • HeAR - 健康声学表示

    发展了一个基于自监督学习的深度学习系统，通过线性探测在 33 个健康声学任务上建立了一个先进的健康音频嵌入模型。

    Mar, 2024

  • EB-GAME：心电图心跳异常检测中的变革者

    该研究使用深度学习基于生成对抗网络的异常检测模型（EB-GAME）在心电图中仅使用正常信号标签的训练数据进行异常信号检测，并在 MIT-BIH 心律失常数据集上取得了最先进的性能表现。

    Apr, 2024