基于 EMD-CWT 混合标度图的轻量 CNN 模型用于从肺部听诊音检测呼吸系统疾病
信号处理
2020-09-10 v1 图像与视频处理
摘要
通过听诊聆听肺音对于检查呼吸系统异常至关重要。在缺乏熟练医师的低收入环境中，肺听诊音的自动分析有益于医疗系统。本工作中，我们提出一种轻量卷积神经网络（CNN）架构，利用基于混合标度图的肺音特征对呼吸系统疾病进行分类。该混合标度图特征采用了经验模态分解（EMD）和连续小波变换（CWT）。使用公开可用的 ICBHI 2017 肺音数据集中患者独立的训练-验证集研究了所提方案的性能。采用所提框架，三元慢性分类的加权准确率达 99.20%，六类病理分类达 99.05%，较知名且大得多的 VGG16 准确率分别高出 0.52% 和 1.77%。所提 CNN 模型在计算量相当的同时也优于其他同期轻量模型。
引用
@article{arxiv.2009.04402,
title = {A Lightweight CNN Model for Detecting Respiratory Diseases from Lung Auscultation Sounds using EMD-CWT-based Hybrid Scalogram},
author = {Samiul Based Shuvo and Shams Nafisa Ali and Soham Irtiza Swapnil and Taufiq Hasan and Mohammed Imamul Hassan Bhuiyan},
journal= {arXiv preprint arXiv:2009.04402},
year = {2020}
}