基于并行注意力模型的智能心脏听诊诊断瓣膜杂音
声音
2024-05-08 v1 音频与语音处理
摘要
心脏瓣膜杂音是心血管疾病的常见表现，可为早期心脏异常提供关键线索。虽然目前大多数研究方法主要关注模型的准确性，但往往忽视了诸多重要方面，如机器学习算法的可解释性以及预测的不确定性。本文提出一种基于并行注意力模型的心脏杂音检测方法，该模型包含两个分支：一个基于自注意力模块，另一个基于卷积网络。不同于传统方法，此结构更适合处理序列数据中的长期依赖关系，从而有效捕获心脏杂音的局部和全局特征。此外，我们认识到在医疗领域理解模型预测不确定性对临床决策具有重要意义。因此，我们将基于蒙特卡罗 dropout 的有效不确定性估计方法集成到模型中。进一步，我们采用温度缩放对概率模型的预测进行校准，以提升其可靠性。在针对 CirCor Digiscope 数据集进行的实验中，我们 proposed 方法实现了加权准确率为 79.8%，F1 分数为 65.1%，达到最新研究成果。
引用
@article{arxiv.2405.03953,
title = {Intelligent Cardiac Auscultation for Murmur Detection via Parallel-Attentive Models with Uncertainty Estimation},
author = {Zixing Zhang and Tao Pang and Jing Han and Björn W. Schuller},
journal= {arXiv preprint arXiv:2405.03953},
year = {2024}
}