May, 2024

AFEN：基于集成学习的呼吸系统疾病分类

PDF
TL;DR我们提出了 AFEN（音频特征集成学习）模型，它以集成学习的方式利用卷积神经网络（CNN）和 XGBoost 进行一系列呼吸系统疾病的音频分类，使用精心选择的音频特征作为数据的显著属性，同时应用两个独立的模型分类器，然后通过软投票将两个模型的输出融合，从而达到增强稳健性和准确性的目的；我们在一个包括 920 个呼吸音频的数据库上评估了该模型的性能，并通过数据增强技术提高了数据的多样性和模型的泛化能力，实验证明 AFEN 在精确率和召回率等指标上取得了新的最优表现，同时减少了训练时间 60%。
发现论文，激发创造
  • 集成联邦学习：一种协作性肺炎诊断方法

    通过集成联邦学习方法，在医疗图像数据集隐私保护的前提下，在胸部 X 线图像中取得了 96.63％的准确度，并在文献中与其他方法取得了相当竞争性的结果。

    Dec, 2023

  • SynthEnsemble：基于 CNN、视觉 Transformer 和混合模型的多标签胸部 X 光分类的融合

    通过深度学习技术，我们使用多种预训练的卷积神经网络 (CNN)、Transformer、混合 (CNN+Transformer) 模型和经典模型，在 “ChestX-ray14” 数据集上进行实验。最佳的单一模型是 CoAtNet，其在接收器工作特性曲线下的面积（AUROC）为 84.2%。通过将所有经过训练的模型的预测组合，使用加权平均集成方法，其中每个模型的权重是通过差分进化确定的，我们进一步提高了 AUROC 至 85.4%，在该领域超越了其他最先进的方法。我们的研究结果表明，深度学习技术尤其是集成深度学习，有潜力提高从胸部 X 射线图像中自动诊断胸部疾病的准确性。

    Nov, 2023

  • AENet: 学习视频分析的深度音频特征

    提出了一种新的深度网络用于音频事件识别，名为 AENet，该网络采用卷积神经网络以在时间维度上对音频事件进行长时间频率结构的建模来训练端到端的音频事件检测系统，在事件识别、动作识别和视频亮点检测等视听任务中，结合 AENet 特征和视觉特征效果显著。

    Jan, 2017

  • 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

  • 可穿戴设备中的呼吸音分类深度神经网络，通过患者特定模型调整实现

    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

  • 使用深度卷积神经网络集合进行胸部 X 射线图像上的肺炎检测

    通过集成学习技术，本研究提出了一种基于预训练卷积神经网络的计算机辅助肺炎诊断方法，通过联合提取来自三种模型的特征，提高了肺炎检测的准确性。该方法在测试阶段取得了 93.91% 的准确率和 93.88% 的 F1 值。

    Dec, 2023

  • 利用卷积神经网络和变分自编码器检测呼吸系统疾病的方法

    通过呼吸音检测病理学，使用 ICBHI 基准数据集，利用变分卷积自编码器和卷积神经网络实现对呼吸音进行分类以及区分不同类型的病理学或健康状态，取得了高达 0.993 F-Score 的分类结果。

    Feb, 2024

  • 卷积循环神经网络用于心电图分类

    本文介绍了两种针对心电图记录的深度神经网络架构，并通过 Physionet / CinC Challenge 2017 提供的房颤分类数据集对它们进行了评估。我们引入了 ECG 数据的简单数据增强方案，并证明了其在房颤分类任务中的有效性。我们发现，第二种架构优于第一种，在隐藏挑战测试集上获得了 82.1％的 F1 分数。

    Oct, 2017

  • 针对自开发开放式肺音数据库 HF_Lung_V1，对八种循环神经网络变体进行呼吸相和意外音检测效果基准测试

    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

  • 一种使用咳嗽音的基于人工智能的无偏见呼吸道疾病诊断模型：COVID-19 的案例研究

    通过提出的偏差无关网络 (RBFNet)，结合 CNN 和 LSTM 网络进行特征编码，并在分类方案中加入额外的偏差预测器，形成条件生成对抗网络 (cGAN)，旨在应对混杂变量对呼吸道疾病预测的影响，利用 COVID-19 数据集证明了 RBFNet 相对于 CNN-LSTM 模型在不同偏斜训练情景下的优越性。

    Jan, 2024