基于多域特征与反向传播神经网络的正常/异常心音记录分类
信号处理
2018-10-23 v1 机器学习
机器学习
摘要
本文旨在将单条心音图（PCG）记录分类为正常或异常，以用于计算机辅助诊断。针对该挑战所提出的框架包含四个步骤：预处理、特征提取、训练与验证。在预处理步骤中，采用Springer分割算法将一条记录分割为四种状态，即第一心音、收缩期间期、第二心音和舒张期间期。在特征提取步骤中，作者从多域提取324个特征以进行分类。采用反向传播神经网络作为预测模型。通过正常与异常样本模型输出的统计特性确定区分正常与异常的最优阈值。所提预测器在六个训练集上的测试性能为灵敏度0.812、特异度0.860（总体准确率0.836）。而在隐藏测试集上性能降至灵敏度0.807、特异度0.829（总体准确率0.818）。
引用
@article{arxiv.1810.09253,
title = {Classification of normal/abnormal heart sound recordings based on multi-domain features and back propagation neural network},
author = {Hong Tang and Huaming Chen and Ting Li and Mingjun Zhong},
journal= {arXiv preprint arXiv:1810.09253},
year = {2018}
}
备注
4 pages