双重贝叶斯 ResNet:心脏杂音检测的深度学习方法
本文提出了一种新的方法,使用深度神经网络并行结合循环神经网络(RNN)和卷积神经网络(CNN)学习心音 PCG 波形中的杂音的视觉和时间相关特征,并通过一系列声学特征鉴别正常和杂音类别。该方法经过 5 折交叉验证在大型数据集上进行评估,结果显示出 96%的敏感性和 100%的特异性,以及 98%的 F1 得分。
Aug, 2018
使用传统和深度可分离卷积网络开发了一种新型的端对端实时心脏杂音检测方法,通过连续小波变换从心音图数据中提取有意义的特征,并在有限资源下实现了实时准确的心脏杂音检测。
May, 2024
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
本文旨在通过建立分類模型和策略識别呼吸声異常的方法来自動辨别呼吸和肺部疾病,提出使用深度 CNN-RNN 模型基于 Mel-spectrograms 进行呼吸声分类,并采用局部日志量化策略来减少模型权重的内存占用,该模型在 ICBHI'17 科学挑战呼吸声数据库的呼吸周期四级分类上达到 66.31% 的分数,在使用患者特定数据重新训练模型后,还能以 71.81% 的成绩进行交叉验证,而局部日志量化训练后的权重则能够显著降低内存需求,这种类型的患者特定再培训策略在开发可靠的长期自动患者监测系统特别是在可穿戴式医疗解决方案中可能非常有用。
Apr, 2020
利用多特征融合和双向长短期记忆(Bi-LSTM)的资源高效方法对心电图(ECG)进行心跳分类,通过采用时间间隔和曲线下面积作为特征,改善 RBBB 和 LBBB 类别的分类准确率。
May, 2024
本论文提出了一种多分辨率相互学习网络(MRM-Net),通过双重分辨率注意力架构和特征互补机制处理心电图(ECG)信号,以提高多标签 ECG 分类性能。
Jun, 2024
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
利用预训练的语音识别模型处理呼吸音数据,通过引入医疗记录信息,提出了一种名为 Rene 的创新多模态深度学习架构,解决了以往呼吸疾病模型在实时临床诊断响应中存在的解释性和性能不足的挑战。在与基线相比的四项与呼吸事件检测和音频记录分类相关任务中,所提出的 Rene 架构分别取得了 10.24%,16.15%,15.29%和 18.90%的显著改进。在 ICBHI 数据库上进行的患者疾病预测测试中,该架构相对于基线在平均分数和谐波分数上分别提高了 23%。此外,我们基于 Rene 架构开发了实时呼吸音辨别系统,采用双线程设计和压缩模型参数用于同时麦克风录制和实时动态解码,利用最先进的边缘人工智能技术,该系统能够快速准确地响应呼吸音听诊,实现在可穿戴临床检测设备上的部署,以捕获增量数据,并能与在云服务器上部署的大规模模型协同发展用于下游任务。
May, 2024
研究开发了一个肺音数据库,使用各种机器学习模型实现了呼吸相和异常肺音的检测,在多项定义任务中,双向门控循环单元模型展示了最佳的 F1 评分和接收器操作特性曲线下的面积。
Feb, 2021