使用深度学习技术的心音分割
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
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
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
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
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
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
本研究提出了一种基于深度学习模型来精确勾画具有不同心律失常类型信号的新方法,使用了一种混合损失函数的分割模型用于心律失常分类,实验结果表明该模型与先前的勾画算法在 Lobachevsky University Database (LUDB) 上表现竞争力。
Apr, 2023
本文综述了 100 余篇使用深度学习方法进行心脏图像分割的文献,包括磁共振成像、计算机断层扫描和超声成像等常见成像模态和感兴趣的主要解剖结构(心室、心房和血管)。此外,还总结了公开可用的心脏图像数据集和代码库,并对当前深度学习方法的挑战和局限性(标注不足、模型泛化能力、可解释性)进行了讨论,并提出了未来研究的潜在方向。
Nov, 2019