NeoSSNet:使用深度学习实时新生儿胸部声音分离
Yang Yi Poh1, Ethan Grooby1,2, Kenneth Tan3
1Department of Electrical and Computer Systems EngineeringMonash University, Melbourne Clayton VIC 3800 Australia.
IEEE open journal of engineering in medicine and biology
|June 20, 2024
概括
一个新的深度学习模型,NeoSSNet,有效地分离新生儿的心脏和肺部声音,提高诊断准确度. 这种更快的方法通过隔离特定的胸部声音来增强健康监测系统.
科学领域:
- 生物医学工程 生物医学工程
- 人工智能在医学中的应用
- 新生儿健康 新生儿健康
背景情况:
- 听觉对于诊断新生儿心血管和呼吸系统疾病至关重要.
- 从新生儿胸部录音中获取清晰,孤立的心脏或肺部声音是一项挑战.
研究的目的:
- 介绍NeoSSNet,一种用于新生儿胸部声音分离的新型深度学习模型.
- 评估NeoSSNet的性能与现有方法对比,以提高诊断准确度.
主要方法:
- 一个基于面具的深度学习架构 (NeoSSNet) 使用1D卷积和面具生成的变压器.
- 将胸部声音编码为令牌,应用生成的心脏和肺部声音口罩,并将其解码回波形.
主要成果:
- 与之前的方法相比,NeoSSNet表现出优越的性能,客观扭曲的改进范围从2.01dB到5.06dB.
- 该模型实现了显著的速度改进,至少比现有技术快17倍.
结论:
- NeoSSNet为准确的新生儿胸部声音分离提供了一个有前途的解决方案.
- 该模型可以作为健康监测系统的有效预处理步骤,需要隔离的心脏或肺部声音.
