基于弹性网正则化与 Gabor 字典的心音信号深度学习分类
声音
2026-04-15 v1 人工智能
摘要
本文提出优化时间频率原子分辨率和拟合模型正则化，以获得更佳的心音信号表征。通过评估深度学习 (DL) 网络在基于新型时间频率特征矩阵从拟合模型中提取的特征，对五类心脏瓣膜病变进行鉴别的分类性能。我们检查了分辨率和正则化的多种组合，其中提供最佳性能的组合即为最高性能。为此，基于心音信号和由弹性网正则化的线性模型构成的心脏声信号的过complete Gabor 原子字典获得拟合模型。我们考虑两种不同的深度学习架构：第一种主要由 1D 卷积神经网络 (CNN) 层和长短期记忆 (LSTM) 层组成，而第二种由 1D 和 2D CNN 层后接 LSTM 层构成。网络使用两种算法进行训练，即带动量的随机梯度下降 (SGDM) 和自适应矩 (ADAM)。进行了大量实验，使用包含五类心脏瓣膜病变心音信号的数据库。最终在第二种架构使用 ADAM 训练且基于由高时间低频率分辨率的 Gabor 字典获得的具有稀疏性的模型拟合矩阵派生出的特征时，实现了最佳的 分类准确率。
引用
@article{arxiv.2604.12483,
title = {Elastic Net Regularization and Gabor Dictionary for Classification of Heart Sound Signals using Deep Learning},
author = {Mahmoud Fakhry and Ascensión Gallardo-Antolín},
journal= {arXiv preprint arXiv:2604.12483},
year = {2026}
}