心音分類のためのサンプル拡張とINDANetを用いた方法

背景:

• 心血管疾患（CVD）は世界的に死亡の主な原因であり、特に未開発地域に不均衡に影響を与えています。; リソースが限られた環境での聴診による心臓の状態の診断における臨床専門知識の限界は、高度な診断ツールを必要とします。; 心音分類のための既存の人工知能（AI）方法は、データセットが小さくノイズレベルが高いため、精度に影響を与えるという課題に直面しています。

研究 の 目的:

• 心血管疾患の診断を支援するための、正確な心音分類のための新しいAIベースの方法を開発および評価すること。; 心音データの小さなサンプルサイズと大きなノイズの限界に対処すること。; 補助的な心臓診断のためのAIモデルの堅牢性と一般化能力を向上させること。

主な方法:

• バタワースフィルターを使用した心音の前処理により、余分なノイズを除去しました。; トレーニングデータセットを拡大するためのサンプル拡張技術の実装。; 注入されたガウスノイズを備えたチャネルおよび空間的注意メカニズムを組み込んだ注入ノイズデュアルアテンションネットワーク（INDANet）の開発により、堅牢性を向上させました。

主要な成果:

• 提案されたINDANet手法は、心音分類タスクにおいて他の6つの高度なモデルと比較して優れたパフォーマンスを示しました。; 1つのデータセットで99.85%、別のデータセットで98.07%という高い精度率を達成しました。; サンプル拡張と注入されたノイズの統合は、モデルの堅牢性と一般化能力を大幅に向上させました。

結論:

• INDANet法は、特にリソースが限られた地域の臨床医に有益な、正確な心音分類のための有望なAI駆動ソリューションを提供します。; デュアルアテンションメカニズムは、データ拡張およびノイズ注入と組み合わされることで、心血管疾患の診断精度を効果的に向上させます。; このアプローチは、世界中の心血管疾患の早期発見と管理を大幅に改善する可能性があります。