基于融合特征和深度学习的先天性心脏病辅助诊断技术
Yuanlin Wang1, Xuankai Yang1, Xiaozhao Qian2
1School of Information Science and Engineering, Yunnan University, Kunming, China.
Frontiers in physiology
|December 11, 2023
概括
本研究提出了一种高效的自动化模型,用于使用心脏声音分析进行先天性心脏病 (CHD) 查. 新型LCACNN模型实现了高精度,有可能取代手动听力用于远程诊断.
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:
- 先天性心脏病 (CHD) 需要早期检测才能有效治疗.
- 心脏声音分析有助于心脏病诊断,但自动分类模型缺乏.
- 手动听觉是当前的标准,但有其局限性.
研究的目的:
- 开发一种高效的先天性心脏病 (CHD) 自动查和分类模型.
- 提高心血管疾病诊断的准确性和可访问性,特别是在偏远地区.
主要方法:
- 开发了一种基于坐标注意力 (LCACNN) 的卷积神经网络的新型局部连锁融合方法.
- 作为输入,Mel频谱系数 (MFSC) 和信封特征被局部融合.
- 该模型自动分析特征地图的能量,从而消除了无声化的需要.
主要成果:
- 在LCACNN模型中,高分类准确度:在PhysioNet数据库中达到91.78%,在HS数据库中达到94.79%.
- 在比较性废弃实验中,性能显著超过了替代分类模型.
- 该模型在识别先天性心脏病方面表现出强大的能力.
结论:
- 拟议的LCACNN模型为CHD查和分类提供了一个强大而有效的方法.
- 这种自动化方法有可能取代手动听力.
- 它可以促进早期发现心血管疾病,特别有利于偏远或服务不足地区的患者.
