参数高效密集连接的双重注意网络用于声心图分类

科学领域:

• 心脏病学 心脏病学
• 生物医学工程 生物医学工程
• 人工智能的人工智能

背景情况:

• 使用声心图 (PCG) 的心脏听觉是心血管疾病 (CVD) 的重要非侵入性诊断工具.
• 在PCG分析中的挑战包括固有的声和有限的监督数据,阻碍了准确的心声分类.
• 当前的深度学习方法通常需要大量的预处理,依赖于耗时的专家工程.

研究的目的:

• 提出一个参数效率高,密集连接的双重注意网络 (DDA),用于自动的心声分类.
• 开发一个端到端的深度学习架构,集成层次特征提取和注意力机制.
• 提高计算机辅助心脏声音分析的计算效率和分类性能.

主要方法:

• 密集连接的结构被用来对心脏声音特征进行分层提取.
• 采用双重注意力机制,利用自我注意力,实现了在位置和通道轴上汇总本地和全球特征依赖性.
• 拟议的DDA模型使用Cinc2016基准数据集的分层10倍交叉验证进行了评估.

主要成果:

• 与现有的1D深度学习模型相比,DDA模型在Cinc2016基准上表现出更高的性能.
• 网络实现了显著的计算效率,减少了对耗时的预处理步骤的依赖.
• 层次特征提取和双重注意力机制有效地捕获了心脏声音数据中的复杂模式.

结论:

• 拟议的DDA模型为心声分类提供了有效和计算效率高的解决方案.
• 这种方法通过利用深度学习和注意力机制来推进心血管疾病的计算机辅助诊断.
• DDA网络为开发心脏病学中强大且易于使用的诊断工具提供了一个有希望的方向.