双贝叶斯 ResNet：一种用于心杂音检测的深度学习方法
机器学习
2023-05-29 v1
摘要
本研究介绍了我们团队 PathToMyHeart 对 2022 年 George B. Moody PhysioNet Challenge 的贡献。实现了两个模型。第一个模型是双贝叶斯 ResNet（DBRes），将每位患者的录音分割为重叠的对数梅尔谱图（log mel spectrogram）。这些谱图经过两次二分类：存在 versus 未知或不存在，以及未知 versus 存在或不存在。分类结果被聚合以给出患者的最终分类。第二个模型是使用 XGBoost 将 DBRes 的输出与人口统计学数据和信号特征集成所得。DBRes 在隐藏测试集上取得了心杂音分类的最佳加权准确率 ，使我们在心杂音任务中排名第四。（在我们忽视的临床结果任务中，我们以 的代价排名第 17。）在我们留出的训练集子集上，集成人口统计学数据和信号特征将 DBRes 的准确率从 提升至 。然而，这却使 DBRes 的加权准确率从 降至 。我们的结果表明，对数梅尔谱图是心音录音的有效表征，贝叶斯网络提供了强劲的监督分类性能，且将三分类视为两次二分类可提升加权准确率上的表现。
引用
@article{arxiv.2305.16691,
title = {Dual Bayesian ResNet: A Deep Learning Approach to Heart Murmur Detection},
author = {Benjamin Walker and Felix Krones and Ivan Kiskin and Guy Parsons and Terry Lyons and Adam Mahdi},
journal= {arXiv preprint arXiv:2305.16691},
year = {2023}
}
备注
5 pages, 3 figures