SSC-UNet：用于心音图降噪的自监督对比学习 UNet
信号处理
2026-01-19 v1 机器学习
摘要
Congenital Heart Disease (CHD) 仍然是一个重大的全球健康问题，影响全球约 1% 的新生儿。心音图已成为一种低成本诊断 CHD 的辅助工具。然而，这些诊断模型的性能高度依赖于心音图的质量，因此降噪尤为关键。有监督的 UNet 能有效提升降噪能力，但干净数据的匮乏阻碍了其应用。心音图复杂的时频特性进一步增加了在有效去除噪声与保留病理特征之间取得平衡的难度。在本研究中，我们提出了一种基于 Noise2Noise 的自监督心音图降噪模型，以实现无需干净数据的训练。我们应用了数据增强与对比学习来增强其性能。在 10 dB 的医院噪声下，滤波后的平均信噪比达到 12.98 dB。滤波后的分类灵敏度从 27% 提升至 88%，表明其在实际噪声环境中具有出色的病理特征保留能力。
引用
@article{arxiv.2601.10735,
title = {SSC-UNet: UNet with Self-Supervised Contrastive Learning for Phonocardiography Noise Reduction},
author = {Lizy Abraham and Siobhan Coughlan and Kritika Rajain and Changhong Li and Saji Philip and Adam James},
journal= {arXiv preprint arXiv:2601.10735},
year = {2026}
}
备注
Accepted by IEEE Healthcom 2025