Mar, 2024

基于转换器卷积神经网络的短段儿童心音分类

PDF
TL;DR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%。
congenital heart diseasesheart soundssignal durationrmssdheart sound classification
发现论文，激发创造
  • 利用 Mel 频率倒谱系数增强心音分类：单一和集成分类器策略的比较研究

    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

  • 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

  • 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

  • FunnelNet：一种端到端的深度学习框架，实时监测数字心脏杂音

    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

  • 使用并行循环卷积神经网络进行心脏杂音检测

    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 12 导联心电图的先天性心脏病解剖诊断的黎曼预测

    在这篇论文中，我们利用心脏病患者的 12 导联心电图（ECG）信号的空间协方差结构的黎曼几何来改善分类，通过协方差增强和切空间投影来提高特征提取质量，并通过消融实验证明相比传统机器学习模型和深度学习，我们的方法在 ECG 时间序列数据上取得显著的改进。

    Nov, 2023

  • 噪声节拍值得 16 个字：用于微控制器的低功耗心律失常分类的微型 Transformer

    通过只使用 6k 个参数的微型 Transformer 模型，本文在 MIT-BIH 心律失常数据库上达到了 98.97％的识别准确率，并通过在低功耗微控制器设备上进行高效执行的 8 位整数推理，证明了其适用于可穿戴监测解决方案。

    Feb, 2024

  • 应用相空间分析和卷积神经网络对正常与异常心脏的理解

    本研究旨在应用相空间分析和卷积神经网络方法对来自 MIT-BIH 数据库的 44 个记录进行分类识别，以提高对心脏健康状况的诊断精度，结果表明该方法可以达到 90.90% 的准确率。

    May, 2023

  • HeartFit：一种利用深度学习进行心脏杂音诊断的准确平台

    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