通过轻量卷积神经网络使用血流声音信号预测血管接入狭窄
Jia-Jung Wang1, Alok Kumar Sharma2, Shing-Hong Liu2
1Department of Biomedical Engineering, I-Shou University, Kaohsiung 82445, Taiwan.
Sensors (Basel, Switzerland)
|September 28, 2024
概括
这项研究引入了一种使用深度学习的新型非侵入性声学方法,用于检测透析血管接入中的阻塞 (囊). 这种新的方法实现了100%的准确性,为透患者提供了可扩展的解决方案.
科学领域:
- 生物医学工程 生物医学工程
- 医学声学 医学声学
- 医疗保健中的人工智能
背景情况:
- 血管通道 () 的阻塞可能会损害血液透析的疗效.
- 非侵入性监测对于透析患者的及时干预至关重要.
- 声学分析提供了一种潜在的方法来评估的透度.
研究的目的:
- 开发和评估一种非侵入性声学分析方法,用于检测血管通道阻塞 ().
- 将新型深度学习模型的性能与已建立的CNN架构进行比较,以检测塞阻塞.
- 评估开发模型对边缘计算应用的适用性.
主要方法:
- 在血管塑造手术前后,利用冷凝器麦克风记录了119名透析患者的血液流动声音.
- 将声信号转化为光谱图像进行分析.
- 开发了一种新的轻量级二维卷积神经网络 (CNN),并将其与ResNet50和VGG16进行基准测试.
主要成果:
- 拟议的轻量级CNN在检测管阻塞方面实现了100%的准确性.
- 基准模型实现了99% (ResNet50) 和95% (VGG16) 的准确性.
- 与ResNet50 (91.3 MB) 和VGG16 (57.9 MB) 相比,新型模型的内存足迹显著减少 (2.37 MB).
结论:
- 与深度学习相结合的非侵入性声学分析在检测透析阻塞方面非常有效.
- 开发的轻量级CNN模型提供了一个可扩展,准确和计算高效的解决方案.
- 该模型的缩小尺寸使其适合在边缘计算环境中部署,用于实时监控.
更多相关视频
07:25Predicting Amputation using Local Circulating Mononuclear Progenitor Cells in Angioplasty-treated Patients with Critical Limb Ischemia
Published on: September 22, 2020
3.4K
06:51Author Spotlight: Development of a Minimally Invasive Large-Animal Model for Reliable and Reproducible Cardiovascular Research
Published on: October 20, 2023
979
