Heartfit 采用自我诊断方法,利用深度学习对用户心声的分类和诊断,既准确又经济适用,适用于缺乏医疗设施的地区。
Jul, 2019
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
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
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
心脏先天性疾病中的缺陷导致的先天畸形称为先天性心脏病或 CHDs。本研究通过使用最小信号持续时间来自动分类心音,并调查了最佳信号质量评估指标(RMSSD 和 ZCR)的价值。建立了基于 Mel 频率倒谱系数(MFCCs)的特征的基于 Transformer-Based 残差一维卷积神经网络,用于对心音进行分类。研究表明,0.4 是获得适合 RMSSD 和 ZCR 指标的信号的理想阈值,对于有效的心音分类,需要最小 5s 的信号长度。较短的信号(3s 的心音)不具有足够的信息来准确分类心音,而较长的信号(15s 的心音)可能含有更多噪音。通过对 5s 信号进行区分心音,获得了最佳准确率 93.69%。
Mar, 2024
通过使用单一分类器和集成分类器方法,研究了使用 Mel 频率倒谱系数 (MFCCs) 在检测异常心脏音图中的功效。结果表明,与单一分类器方法相比,集成分类器方法获得了更高的准确性,从而将 MFCCs 确定为比其他特征(如时间、时间频率和统计特征)更有效的特征。
Jun, 2024
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。
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。
Feb, 2021
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
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。
Sep, 2022