基于周期性编码深度自编码器的心音与肺音盲单声道源分离
音频与语音处理
2020-12-14 v1
摘要
听诊是诊断心血管与呼吸系统疾病最有效的方式。为达到准确诊断，设备必须能从各种临床情境中识别心音与肺音。然而，所记录的胸音由心音与肺音混合而成。因此，有效分离这两种声音在预处理阶段至关重要。机器学习的最新进展推动了单声道源分离的发展，但多数知名技术需要配对的混合声与独立纯声用于模型训练。由于纯心音与肺音的制备困难，必须考虑特殊设计以推导有效的心音与肺音分离技术。本研究提出一种新颖的周期性编码深度自编码器（PC-DAE）方法，基于心率与呼吸率间不同周期性的假设，以无监督方式分离混合心肺音。PC-DAE 受益于基于深度学习的模型以提取代表性特征，并考虑心音与肺音的周期性来完成分离。我们在两个数据集上评估了 PC-DAE。第一个包含来自学生听诊模拟人（SAM）的声音，第二个通过真实条件下记录胸音制备。实验结果表明，PC-DAE 在标准化评估指标上优于若干知名分离工作。此外，波形与频谱图展示了 PC-DAE 相较现有方法的有效性。还证实，使用所提 PC-DAE 作为预处理阶段，可显著提升心音识别准确率。实验结果确认了 PC-DAE 的有效性及其在临床应用中的潜力。
引用
@article{arxiv.2012.06275,
title = {Blind Monaural Source Separation on Heart and Lung Sounds Based on Periodic-Coded Deep Autoencoder},
author = {Kun-Hsi Tsai and Wei-Chien Wang and Chui-Hsuan Cheng and Chan-Yen Tsai and Jou-Kou Wang and Tzu-Hao Lin and Shih-Hau Fang and Li-Chin Chen and Yu Tsao},
journal= {arXiv preprint arXiv:2012.06275},
year = {2020}
}
备注
13 pages, 11 figures, Accepted by IEEE Journal of Biomedical and Health Informatics