通过Bi-GRU修改的SqueezeNet架构实现自动肺声检测,带有新的库存井功能集
1Department of Computer Science & Engineering, Centre for Advanced Studies, Dr. A.P.J. Abdul Kalam Technical University, Lucknow, Uttar Pradesh, India.
Computational biology and chemistry
|December 24, 2025
概括
一个新的深度学习模型,双向门循环单元修改挤压网络 (BGRMSNet),准确地检测和分类呼吸道声音的肺部疾病. 这种自动化方法为传统的主观诊断方法提供了强大的替代方案.
科学领域:
- 医疗信息学 医疗信息学
- 人工智能在医学中的应用
- 呼吸系统医学 呼吸系统医学
背景情况:
- 肺部声音分析对于诊断各种呼吸系统疾病,如喘和COPD至关重要.
- 当前的诊断方法往往是主观的,耗时的,严重依赖医生的专业知识.
- 需要自动化,客观和高效的肺声分析工具.
研究的目的:
- 引入一种新的深度学习模型,即双向门式循环单元修改挤压网络 (BGRMSNet),用于自动化肺声检测和分类.
- 评估BGRMSNet的性能与传统的诊断方法相比.
- 提高呼吸道疾病诊断的准确性和效率.
主要方法:
- 一个四阶段的方法:预处理 (基于值的Wiener过),特征提取 (转换变,修改的Stockwell转换,STFT,光谱特征),数据增强,并使用BGRMSNet架构进行检测.
- BGRMSNet集成了双向门式循环单元 (Bi-GRU) 来处理时间依赖,以及修改后的SqueezeNet (MSNet),其中包括改进的批量规范化和多头注意力来进行特征提取等增强功能.
- 模型性能通过废除研究,统计分析和k-fold交叉验证得到验证.
主要成果:
- BGRMSNet模型实现了高性能指标:0.970准确度,0.987特异性和0.972负预测值 (NPV).
- 与传统的诊断方法相比,该模型表现出优越的性能.
- 综合评估证实了拟议的BGRMSNet架构的稳定性和有效性.
结论:
- BGRMSNet介绍了一种强大而准确的深度学习工具,用于自动化肺声分析和呼吸系统疾病检测.
- 该模型的高性能表明它有潜力显著支持临床决策和提高诊断准确性.
- 这种自动化方法解决了传统的主观肺声分析的局限性,为更客观的呼吸道诊断铺平了道路.
更多相关视频
06:22Machine Learning-Based Cough Tone Classification: Diagnostic Exploration of Chronic Obstructive Pulmonary Disease and Respiratory Tract Infections
Published on: September 19, 2025
396
09:42Acquisition and Semi-Automated Analysis of Respiratory Muscle Surface Electromyography
Published on: January 24, 2025
1.2K
