使用卷积阻断注意模块和长短期记忆神经网络的动脉静脉声的分类
Jun Zhang1, Rongxi Zhang1, Xinming Shu1
1School of Mechanical and Power Engineering, Zhengzhou University, Zhengzhou, China.
Frontiers in physiology
|January 8, 2025
概括
这项研究引入了一种使用声信号的深度学习模型,用于评估血液透析患者的动脉静脉 (AVF) 狭窄. 这种新方法为监测AVF成熟提供了更客观,更准确的方法.
科学领域:
- 生物医学工程 生物医学工程
- 医学声学 医学声学
- 人工智能在医学中的应用
背景情况:
- 血液透析患者的血管接入评估通常依赖于手动检查,这有局限性.
- 动脉静脉 (AVF) 对于血液透析至关重要,它们的正常功能需要定期监测.
- 需要客观的方法来补充传统的AVF评估和改善患者护理.
研究的目的:
- 开发和验证深度学习模型,以使用声信号客观评估AVF狭窄.
- 将拟议模型的性能与现有的深度学习架构进行比较.
- 建立一个可靠的工具来监测AVF成熟和狭窄的严重程度.
主要方法:
- 收集了800名血液透析患者的听觉声音,这些患者正在接受AVF评估.
- 通过结合Mel-Frequency Cepstral系数和Mel-Spectrogram数据,提取了新的特征参数.
- 开发了一个卷积块注意力模块-长期短期记忆 (CBAM-LSTM) 神经网络用于狭窄症分类.
主要成果:
- 该CBAM-LSTM模型实现了高性能指标:99%的AUC,99%的精度,97%的回忆和98%的F1得分.
- 与VGG,Bi-LSTM,DenseNet121和ResNet50.50相比,该模型在分类AVF狭窄严重程度方面表现出卓越的表现.
- 用深度学习进行声信号分析,证明对客观的AVF评估有效.
结论:
- 拟议的CBAM-LSTM模型显示出作为监测AVF成熟的可靠,客观工具的巨大潜力.
- 对AVF听觉声音的深度学习分析提供了一种有前途的替代方案,可以替代手动检查来评估狭窄.
- 这种人工智能驱动的方法可以增强血液透析血管接入的管理.
