基于深度学习的无分割心脏病理检测
声音
2021-08-10 v1 机器学习
摘要
心血管疾病(CV)是全球主要的死亡原因,听诊通常是心血管检查中必不可少的一部分。基于心音诊断患者的能力是一项相当难以掌握的技能。因此,许多自动心音听诊的方法已被探索。然而,大多数先前提出的方法都涉及一个分割步骤,其性能在高脉冲率或噪声信号下会显著下降。在本工作中,我们提出了一种新颖的无分割心音分类方法。具体而言,我们应用离散小波变换对信号去噪,随后进行特征提取与特征降维。然后,利用支持向量机(Support Vector Machines)和深度神经网络(Deep Neural Networks)进行分类。在PASCAL心音数据集上,我们的方法表现出优于其他方法的性能,在正常和杂音类别上分别达到81%和96%的精确率。此外,首次在用户无关设置下进一步探索了该数据,所提方法在正常和杂音上分别达到92%和86%的精确率,展示了实现实用自动杂音检测的潜力。
引用
@article{arxiv.2108.04139,
title = {Segmentation-free Heart Pathology Detection Using Deep Learning},
author = {Erika Bondareva and Jing Han and William Bradlow and Cecilia Mascolo},
journal= {arXiv preprint arXiv:2108.04139},
year = {2021}
}
备注
4 pages, 2 tables, Accepted at EMBC'21 - Annual International Conference of the IEEE Engineering in Medicine and Biology Society