基于深度学习与迁移学习的未分割心音图谱分类
机器学习
2021-04-20 v3 人工智能
摘要
心血管疾病（CVDs）是全球死亡的主因。心脏杂音是听诊过程中检出的最常见异常。两个广泛使用的公开心音图（PCG）数据集来自 PhysioNet/CinC（2016）与 PASCAL（2011）挑战赛。这些数据集在数据采集工具、临床协议、数字存储与信号质量上差异显著，致使处理与分析颇具挑战。本工作中，我们使用基于短时傅里叶变换（STFT）的谱图来学习正常与异常 PCG 信号的代表性模式。由两数据集生成的谱图用于三项不同研究：（i）用 PhysioNet 数据集训练、验证与测试不同变体的卷积神经网络（CNN）模型；（ii）在合并的 PhysioNet-PASCAL 数据集上训练、验证与测试性能最佳的 CNN 结构；（iii）最后，采用迁移学习技术用 PASCAL 数据集训练来自第一项研究性能最佳的预训练网络。我们提出了一种新颖、较不复杂且相对轻量的自定义 CNN 模型，用于 PhysioNet、合并及 PASCAL 数据集的分类。第一项研究取得准确率、灵敏度、特异度、精确率与 F1 分数分别为 95.4%、96.3%、92.4%、97.6% 与 96.98%，第二项研究显示准确率、灵敏度、特异度、精确率与 F1 分数为 94.2%、95.5%、90.3%、96.8% 与 96.1%。最后，第三项研究在含噪 PASCAL 数据集上以迁移学习方法取得 98.29% 的精确率。所提三种方法均以较高分类准确率与精确率优于多数近期竞争研究，使其适于利用 PCG 信号筛查 CVDs。
引用
@article{arxiv.2012.08406,
title = {Deep Learning Based Classification of Unsegmented Phonocardiogram Spectrograms Leveraging Transfer Learning},
author = {Kaleem Nawaz Khan and Faiq Ahmad Khan and Anam Abid and Tamer Olmez and Zumray Dokur and Amith Khandakar and Muhammad E. H. Chowdhury and Muhammad Salman Khan},
journal= {arXiv preprint arXiv:2012.08406},
year = {2021}
}