MMSep, 2022

探索传统机器学习技术用于病理听诊识别

PDF
TL;DR利用机器学习辨别正常和异常肺部吸气声，采用窗口和特征聚合策略，使用数据进行建模并进行决策融合，得出平均 ROC 曲线下面积为 0.691 的监督模型。
发现论文，激发创造
  • 基于先进信号处理与机器学习的音频呼吸疾病分类及辅助诊断支持

    利用全球最大的公开医疗数据库中的呼吸声音，结合经验模式分解和谱分析等方法，训练多个机器学习模型对不同健康状况进行分类诊断，从而大大提高辅助和远程诊断能力。

    Sep, 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

  • 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

  • 使用深度学习技术的心音分割

    本文提出了一种新颖的方法，利用心音图信号对心音进行分割和分类，并通过基于 FFT 的滤波、动态规划事件检测和 Siamese 网络的鲁棒分类，相比现有方法在 PASCAL 心音数据集上表现出较高性能。

    Jun, 2024

  • 肺音和肺病分类的多任务学习

    使用多任务学习方法，在医学诊断中对肺音和肺疾病进行同时分类，结果表明该方法在同时分类肺音和肺疾病方面取得了良好的效果，并应用于慢阻肺患者的风险水平计算中，使用随机森林分类器达到了 92% 的准确率，从而减轻了医生的负担。

    Apr, 2024

  • 基于听诊器引导的监督对比学习在呼吸音分类的跨领域适应中的应用

    通过跨领域适应技术，结合监督对比学习方法，本研究在呼吸音分类领域取得了显著进展，成功减少了不同电子听诊器录制的呼吸音之间的领域依赖并实现了 61.71% 的 ICBHI 得分，相较于基线模型的 2.16% 有了显著提升。

    Dec, 2023

  • 使用基于 EMD-CWT 的混合图谱的轻量级 CNN 模型，用于从肺听诊声音中检测呼吸系统疾病

    本文提出了一种基于混合 CWT 和 EMD 的频谱图特征的轻量级卷积神经网络（CNN）结构，以对肺音进行疾病分析分类，与传统 VGG16 模型相比，该 CNN 模型在三元慢性分类和六类病理分类方面分别提高了 0.52％和 1.77％的准确度，并且在时间和计算复杂度上有所改进。

    Sep, 2020

  • ML-ASPA：机器学习基于声音信号处理分析的思考与应用

    这篇论文在声学信号处理领域，重点讨论声学数据、机器学习、深度学习、以及肠鸣声分析的技术和发展。

    Dec, 2023

  • 基于音频谱图变换的 Patch-Mix 对比学习在呼吸音分类中的应用

    这项研究使用深度学习算法和新型增强技术，通过预处理于视听数据集上的模型实现了高效的呼吸声分类以及肺病诊断，取得了 ICBHI 数据集上 4.08% 的最高成绩。

    May, 2023

  • 基于混合集训练的听诊肺部和气管声音分析双用途深度学习模型

    本研究利用深度学习方法分析呼吸声音，并探究肺音分析算法应用于气管音效应，证实将肺音、气管音同时用于训练模型的效果更好，尤其是混合训练的模型具有较大的灵活性。

    Jul, 2021