基于可学习滤波器组实现域不变心音异常检测
摘要
心脏听诊是早期诊断心脏病最常用且具成本效益的非侵入性方法。虽然基于机器学习的系统可辅助自动筛查患者，但这些系统的鲁棒性受诸多因素影响，包括听诊器/传感器、环境及数据采集协议。本文研究了域变异性对心音异常检测的不利影响，并提出了应对该问题的策略。方法：我们提出一种由时间卷积（tConv）单元组成的新型卷积神经网络（CNN）层，其模拟有限冲激响应（FIR）滤波器。滤波器系数可通过反向传播更新，并作为可学习滤波器组堆叠于网络前端。结果：在公开的多域数据集上，所提方法超越了文献中用于心音异常检测（二分类任务）的得分最高系统。我们采用灵敏度、特异度、F-1分数和Macc（灵敏度与特异度的平均值）作为性能指标。相较最先进方法，我们的系统在MAcc上取得了最高达11.84%的相对提升。结论：结果证明了所提可学习滤波器组CNN架构在实现PCG信号中传感器/域变异性鲁棒性方面的有效性。意义：所提方法为在多样化与服务不足社区内部署自动化心脏筛查系统铺平了道路。
引用
@article{arxiv.1910.00498,
title = {Towards Domain Invariant Heart Sound Abnormality Detection using Learnable Filterbanks},
author = {Ahmed Imtiaz Humayun and Shabnam Ghaffarzadegan and Md. Istiaq Ansari and Zhe Feng and Taufiq Hasan},
journal= {arXiv preprint arXiv:1910.00498},
year = {2020}
}
备注
Copyright 2020 IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any current or future media, including reprinting/republishing this material for advertising or promotional purposes, creating new collective works, for resale or redistribution to servers or lists, or reuse of any copyrighted component of this work in other works