基于卷积神经网络谱图分析的动脉声音波形相位性预测用于肢体灌注评估
声音
2021-06-17 v3 音频与语音处理
图像与视频处理
摘要
外周动脉疾病（PAD）是一种常见的动脉闭塞性疾病，在床旁难以评估。手持多普勒是最广泛用于评估循环的设备，可使医生听觉“聆听”血流。医生利用听觉反馈主观判断声音特征是否符合单相、双相或三相波形。对手多普勒声音的主观评估会引起对 PAD 的怀疑并导致进一步检查，常延误确定性治疗。主观解读多普勒波形也可能造成误诊。本文提出了一种深度学习系统，能够通过分析手持多普勒声音预测波形相位性。我们在心血管疾病患者的正式血管实验室研究中，于 iPhone 上采集了 268 段四秒录音。我们的端到端系统将输入声音转换为谱图，以可视化表示时间模式中的频率变化。这种转换实现了相位性类别之间的视觉区分。基于这些变化，使用定制训练的卷积神经网络（CNN）通过学习的特征提取进行预测。模型性能通过 F1 分数和准确率指标计算评估。系统获得 90.57% 的 F1 分数和 96.23% 的准确率。我们的深度学习系统计算开销不大，并可集成于多种应用中。在临床使用时，该系统能够防止误诊，并为从业者提供可用于 PAD 评估的第二意见。
引用
@article{arxiv.2104.09748,
title = {Waveform Phasicity Prediction from Arterial Sounds through Spectrogram Analysis using Convolutional Neural Networks for Limb Perfusion Assessment},
author = {Adrit Rao and Kevin Battenfield and Oliver Aalami},
journal= {arXiv preprint arXiv:2104.09748},
year = {2021}
}
备注
5 pages, 8 figures