无需状态时长先验知识的心音分割时序成帧自适应网络
信号处理
2020-07-21 v3 声音
音频与语音处理
摘要
目的：本文提出一种基于时序成帧自适应网络（TFAN）的新型心音分割算法，包括状态转移损失与用于解码最可能状态序列的动态推理。方法：与先前最优方法不同，基于 TFAN 的方法不需要任何心音状态时长知识，因此有可能推广至非窦性节律。基于 TFAN 的方法在 2016 PhysioNet/Computer in Cardiology Challenge 的训练集 A 中随机选取的 50 条记录上训练，并在其他 12 个独立训练与测试数据库（2099 条记录与 52180 次心跳）上测试。用于分割的数据库按难度递增分为三个级别（LEVEL-I、-II 与 -III）以报告性能。结果：基于 TFAN 的方法在除 `Test-B' 外的全部 12 个数据库上取得了更优的 F1 分数，平均 96.7%，而最优方法为 94.6%。此外，基于 TFAN 的方法在 LEVEL-I、-II 与 -III 数据上分别取得总体 F1 分数 99.2%、94.4%、91.4%，而当前最优方法分别为 98.4%、88.54% 与 79.80%。结论：因此，基于 TFAN 的方法带来了实质性改进，尤其对于更困难的案例以及未见于公开训练数据中的数据集。意义：所提方法高度灵活，可能适用于其他非平稳时间序列。尽管逻辑上可假设更优的分割将带来改进的诊断性能，仍需进一步工作以理解该方法在多大程度上提供改进的诊断性能。
引用
@article{arxiv.2005.04426,
title = {Temporal-Framing Adaptive Network for Heart Sound Segmentation without Prior Knowledge of State Duration},
author = {Xingyao Wang and Chengyu Liu and Yuwen Li and Xianghong Cheng and Jianqing Li and Gari D. Clifford},
journal= {arXiv preprint arXiv:2005.04426},
year = {2020}
}