利用卷积神经网络学习前端滤波器组参数以检测异常心音
计算机视觉与模式识别
2019-04-25 v1 机器学习
信号处理
机器学习
摘要
自动心音异常检测可在心脏疾病的早期诊断中发挥关键作用，尤其在资源匮乏的环境中。该任务的最先进算法采用一组有限冲激响应（FIR）带通滤波器作为前端，其后接卷积神经网络（CNN）模型。本工作中，我们提出一种新颖的 CNN 架构，利用时间卷积（tConv）层将前端带通滤波器集成到网络中，使 FIR 滤波器组参数可学习。我们考察了可学习滤波器的不同初始化策略，包括随机参数和一组预定义的 FIR 滤波器组系数。利用所提出的 tConv 层，我们对可学习 FIR 滤波器施加约束以确保线性和零相位响应。实验评估在基于 PhysioNet/CinC 2016 数据集制备的平衡 4 折交叉验证任务上进行。结果表明，所提模型相较最先进系统性能更优，而线性相位 FIR 滤波器组方法在总体准确率指标上较基线实现了 9.54% 的绝对提升。
引用
@article{arxiv.1806.05892,
title = {Learning Front-end Filter-bank Parameters using Convolutional Neural Networks for Abnormal Heart Sound Detection},
author = {Ahmed Imtiaz Humayun and Shabnam Ghaffarzadegan and Zhe Feng and Taufiq Hasan},
journal= {arXiv preprint arXiv:1806.05892},
year = {2019}
}
备注
4 pages, 6 figures, IEEE International Engineering in Medicine and Biology Conference (EMBC)