用于病理性心音分类的迁移、半监督与监督学习方法的集成
计算机视觉与模式识别
2019-04-30 v2 人工智能
摘要
本文中，我们提出一种分类器集成，以区分临床环境下使用数字听诊器采集的心音图（PCG）信号所表现的不同程度心脏异常，用于 INTERSPEECH 2018 计算副语言学（ComParE）心跳子挑战赛。我们的主要分类框架由一个带一维 CNN 时间卷积（tConv）层的卷积神经网络构成，其使用从 2016 Physionet 心音数据库所训练模型迁移的特征。我们还采用表示学习（RL）方法，利用深度循环自编码器以无监督方式生成特征，并使用支持向量机（SVM）与线性判别分析（LDA）分类器。最后，我们对使用短期声学特征（即低级描述子（LLD））上多种泛函提取的高维片段级特征，采用 SVM 分类器。三种不同方法的集成相较于我们在评估数据集上最佳单一子系统，以非加权平均召回率（UAR）性能指标计取得了 11.13% 的相对提升。
引用
@article{arxiv.1806.06506,
title = {An Ensemble of Transfer, Semi-supervised and Supervised Learning Methods for Pathological Heart Sound Classification},
author = {Ahmed Imtiaz Humayun and Md. Tauhiduzzaman Khan and Shabnam Ghaffarzadegan and Zhe Feng and Taufiq Hasan},
journal= {arXiv preprint arXiv:1806.06506},
year = {2019}
}
备注
5 pages, 5 figures, Interspeech 2018 accepted manuscript