使用带注意力的双向 LSTM 进行心音分割
信号处理
2020-04-09 v1 机器学习
声音
音频与语音处理
定量方法
机器学习
摘要
本文提出了一种将心音图（PCG）信号分割为心脏状态的新型框架，利用 PCG 的时间演化并考虑其为心脏状态检测提供的显著信息。我们提出使用循环神经网络并利用近期基于注意力的学习进展来分割 PCG 信号。这使得网络能够识别信号中最显著的部分并忽略无信息量的信息。所提方法在包括人类与动物心脏记录在内的多个基准上达到了最先进的性能。此外，我们经验性地分析了不同特征组合，包括包络特征、小波和梅尔频率倒谱系数（MFCC），并提供了探索所提方法中不同特征重要性的定量测量。我们证明，耦合注意力机制的循环神经网络能够有效从不规则且含噪的 PCG 记录中学习。我们对不同特征组合的分析表明，与经典小波和包络特征相比，MFCC 特征及其导数提供最佳性能。心音分割是许多诊断应用的关键预处理步骤。所提方法为劳动密集的手动分割提供了经济高效的替代方案，并比现有方法提供更准确的分割。因此，它可改善包括杂音与喷射音检测在内的进一步分析性能。所提方法也适用于其他一维生物医学信号的检测与分割。
引用
@article{arxiv.2004.03712,
title = {Heart Sound Segmentation using Bidirectional LSTMs with Attention},
author = {Tharindu Fernando and Houman Ghaemmaghami and Simon Denman and Sridha Sridharan and Nayyar Hussain and Clinton Fookes},
journal= {arXiv preprint arXiv:2004.03712},
year = {2020}
}
备注
IEEE Journal of Biomedical and Health Informatics, 25 October 2019