CardioXNet：一种基于心音记录用于心血管疾病分类的新型轻量级深度学习框架
音频与语音处理
2021-03-09 v2 声音
信号处理
摘要
心血管疾病令人担忧的高死亡率及全球患病率上升，凸显了对早期检测方案的迫切需求。心音图（PCG）信号因其简便性和成本效益历来应用于该领域。本文提出 CardioXNet，一种新颖的轻量级端到端 CRNN 架构，用于利用原始 PCG 信号自动检测五类心脏听诊结果，即正常、主动脉瓣狭窄、二尖瓣狭窄、二尖瓣反流和二尖瓣脱垂。该过程通过两个学习阶段的参与实现了自动化。在表示学习阶段，实现了三条并行 CNN 路径，以从 PCG 中学习粗粒度和细粒度特征，并通过基于 2D-CNN 的压缩-扩展从可变感受野中探索显著特征。因此，在表示学习阶段，网络提取高效的时间不变特征并极快收敛。在序列残差学习阶段，借助双向 LSTM 和跳跃连接，网络可在不对信号执行任何特征提取的情况下熟练提取时间特征。所得结果表明，与先前最先进（SOTA）方法相比，所提端到端架构在所有评估指标上均表现出色，平均准确率高达 99.60%、精确率 99.56%、召回率 99.52% 和 F1 分数 99.68%，且计算量相当。该模型在使用同一数据集时以显著优势超越以往工作。在主要和次要数据集上的高准确度指标，加上极少的参数数量和端到端预测方法，使所提网络适用于在资源受限环境中使用内存受限移动设备进行即时护理心血管疾病筛查。
引用
@article{arxiv.2010.01392,
title = {CardioXNet: A Novel Lightweight Deep Learning Framework for Cardiovascular Disease Classification Using Heart Sound Recordings},
author = {Samiul Based Shuvo and Shams Nafisa Ali and Soham Irtiza Swapnil and Mabrook S. Al-Rakhami and Abdu Gumaei},
journal= {arXiv preprint arXiv:2010.01392},
year = {2021}
}
备注
14 pages