基于深度学习的实时新生儿胸音分离
音频与语音处理
2023-10-27 v1 声音
摘要
新生儿听诊是一种简单且非侵入性的方法，可用于诊断心血管和呼吸系统疾病。此类诊断通常需要在听诊期间采集高质量的心音和肺音。然而，在大多数情况下，由于胸音包含心音、肺音和噪声的混合，获取此类高质量声音并非易事。因此，需要额外的预处理将胸音分离为心音和肺音。本文提出了一种新颖的深度学习方法来将此类胸音分离为心音和肺音。受 Conv-TasNet 模型启发，所提模型包含编码器、解码器和掩码生成器。编码器由一维卷积模型组成，解码器由转置一维卷积组成。掩码生成器使用堆叠的一维卷积和 transformers 构建。所提模型在人工数据集上在客观失真度量方面优于先前方法 2.01 dB 至 5.06 dB，且在计算时间上至少有 17 倍的提升。因此，我们提出的模型可作为任何基于心音图的健康监测系统的合适预处理步骤。
引用
@article{arxiv.2310.17116,
title = {Real-time Neonatal Chest Sound Separation using Deep Learning},
author = {Yang Yi Poh and Ethan Grooby and Kenneth Tan and Lindsay Zhou and Arrabella King and Ashwin Ramanathan and Atul Malhotra and Mehrtash Harandi and Faezeh Marzbanrad},
journal= {arXiv preprint arXiv:2310.17116},
year = {2023}
}