基于自适应一维卷积神经网络的实时心音图异常检测
信号处理
2019-02-21 v1
摘要
心音信号(心音图——PCG)能够实现对潜在心血管病理的最早监测，近来已成为门诊监测中评估心脏血流动力学状态的一项关键诊断工具。因此，对PCG自动且准确的异常检测方法的需求已迫在眉睫。为确定最先进的PCG分类算法，48支国际队伍在2016年PhysioNet(CinC)挑战赛上基于最大的基准数据集(含3126条记录及分类输出：正常(N)、异常(A)和不确定——噪声过大(U))展开竞争。本研究旨在进一步推进这一前沿；然而，我们刻意聚焦于异常检测问题，同时假定记录具有合理的高信噪比(SNR)。通过使用以新颖数据净化方法训练的一维卷积神经网络，我们旨在以显著更低的延迟与计算复杂度实现最高的检测性能与实时处理能力。在同一基准数据集高质量子集上的实验结果表明，所提方法实现了上述两个目标。此外，我们的发现揭示了一个事实：进一步的改进确实需要个性化(患者特异性)方法，以避免全局PCG分类方法的主要缺陷。
引用
@article{arxiv.1902.07238,
title = {Real-time PCG Anomaly Detection by Adaptive 1D Convolutional Neural Networks},
author = {Serkan Kiranyaz and Morteza Zabihi and Ali Bahrami Rad and Anas Tahir and Turker Ince and Ridha Hamila and Moncef Gabbouj},
journal= {arXiv preprint arXiv:1902.07238},
year = {2019}
}
备注
11 pages, 12 figures