FunnelNet：用于实时数字心杂音监测的端到端深度学习框架
信号处理
2026-05-12 v2 机器学习
声音
音频与语音处理
摘要
心杂音是由心脏血流湍流引起的异常声响。可用于检测心杂音及其严重程度的诊断方法包括心脏听诊、超声心动图和心音图（PCG）。然而，这些方法都存在局限，包括需对医务人员进行大量培训、超声心动图的成本和可获取性问题，以及在PCG数据处理中存在噪声干扰。本研究提出一种基于传统和深度可分离卷积网络的端到端实时心杂音检测方法。我们应用巴特沃思滤波器和连续小波变换（CWT）以消除噪声并从PCG数据中提取有意义的特征。该网络由三个部分构成：一个产生压缩数据表示的SqueezeNet，一个利用深度可分离卷积最小化计算复杂度的瓶颈层，以及一个上采样以捕获细节信息的Expansion net。我们在公开可用的CirCor儿童心音数据集上对模型进行评估。仅使用约5.4k参数，我们实现了85%的准确率、85%的灵敏度和92%的特异度，成功超越了多个更大模型。此外，我们将网络转换为TinyML格式，在树莓派4B和Android智能手机上进行测试，在树莓派4B上实现平均91%的实时推理准确率，在Android智能手机上实现80%的准确率。该轻量级模型为准确、实时的心杂音检测提供了稳健的深度学习框架，显示出在资源有限的环境中实现可及医疗诊断的强大潜力。代码已公开于https://github.com/jobayer/FunnelNet。
关键词
引用
@article{arxiv.2405.09570,
title = {FunnelNet: An End-to-End Deep Learning Framework to Monitor Digital Heart Murmur in Real-Time},
author = {Md Jobayer and Md. Mehedi Hasan Shawon and Md Zakir Hossain and Shreya Ghosh and Imre Rudas and Tom Gedeon and Md Rakibul Hasan},
journal= {arXiv preprint arXiv:2405.09570},
year = {2026}
}