基于 MFCC-Conformer 的噪声鲁棒对比学习用于冠状动脉疾病检测
音频与语音处理
2026-04-07 v2 声音
摘要
心血管疾病（CVD）是全球首要死因，其中冠状动脉疾病（CAD）是 CVD 的最大子类。近期，利用心音图（PCG）信号检测 CAD 受到越来越多关注，在低噪声和传感器最佳放置的临床环境中取得了高度成功。多通道技术被发现对噪声更具鲁棒性；然而，在真实世界数据上实现鲁棒性能仍是一个挑战。本工作利用一种新颖的多通道基于能量的噪声段拒绝算法，使用心脏和噪声参考麦克风，在训练深度学习分类器之前丢弃含有大量非平稳噪声的音频段。这种基于 Conformer 的分类器提取多通道的梅尔频率倒谱系数（MFCC），进一步帮助提升模型的噪声鲁棒性。所提方法在 297 名受试者上实现了 78.4% 的准确率和 78.2% 的平衡准确率，相比未使用噪声段拒绝的训练分别提升了 4.1% 和 4.3%。
引用
@article{arxiv.2601.18295,
title = {Noise-Robust Contrastive Learning with an MFCC-Conformer For Coronary Artery Disease Detection},
author = {Milan Marocchi and Matthew Fynn and Yue Rong},
journal= {arXiv preprint arXiv:2601.18295},
year = {2026}
}
备注
This paper has been accepted for presentation at ICASSP 2026. \c{opyright} 2026 IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses. 5 pages, 1 figure