一个反复的神经网络和并行隐藏的马尔科夫模型算法来细分和检测心脏声在心电图中的心脏声

科学领域:

• 心脏病学 心脏病学
• 生物医学工程 生物医学工程
• 机器学习 机器学习

背景情况:

• 基于立声镜的心脏病检测需要大量的技能和成本,这限制了其在广泛查中的使用.
• 机器学习 (ML) 提供了可访问和准确的心声诊断的潜力,但需要在不同的数据集上进行验证.
• 当前的ML算法通常无法在杂的环境中准确地细分心脏声音,从而影响诊断性能.

研究的目的:

• 开发一种新的算法,用于同时对心脏声音进行细分和声检测.
• 为了提高基于ML的心脏声音分析的准确性和可解释性.
• 创建一个强大的工具来选异常心脏声,特别是在资源有限的地区.

主要方法:

• 开发了一种新的循环神经网络和隐藏的半马尔科夫模型 (HSMM) 算法.
• 该算法将信号细分和声检测集成到一个单阶段的过程中.
• "CUED_Acoustics"算法被输入了2022年乔治·B·穆迪物理网络挑战.

主要成果:

• 拟议的算法在2022年乔治·B·穆迪物理网络挑战赛的两个任务中获得了第一奖.
• 它超过了许多端到端的深度学习方法,证明了对新数据的更好的概括性.
• 该算法提供可解释的预测,并估计记录信号质量.

结论:

• 综合细分和检测方法为心脏声音分析提供了更强大的方法.
• 这种算法显示出对异常心脏声的有效和可访问的查有希望.
• 该模型的可解释性和信号质量估计提高了其临床实用性.