LDSC:使用简单的1D-CNN增强肺病诊断

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
• 呼吸系统医学 呼吸系统医学

背景情况:

• 对于肺部疾病的检测,传统的耳听器听力受到了低灵敏度,复杂的声学和对临床医生的专业知识的依赖.
• 这些局限性导致诊断错误,治疗延迟和可访问性问题,特别是在资源有限的环境中.
• 对肺部疾病进行自动化,负担得起和便携式诊断解决方案的需求非常大.

研究的目的:

• 开发和评估一种轻量级的深度学习模型,用于自动化肺部疾病分类.
• 为了评估使用来自呼吸声的特征的Mel-Frequency Cepstral Coefficients (MFCC) 的拟议模型的性能.

主要方法:

• 呼吸系统的声音信号被重新采样到4kHz,增强 (降噪,时间延伸,音位变化),并细分为3秒的.
• 从处理的信号中提取了规范化的Mel-Frequency Cepstral系数 (MFCC) 作为特征.
• 一个轻量级的两层一维卷积神经网络 (1D-CNN),称为LDSC,被设计用于肺部疾病的分类.

主要成果:

• 在国际生物医学和健康信息学会议 (ICBHI) 数据集上,LDSC模型实现了98%的准确度,灵敏度和特异性.
• 该模型在阿卜杜拉国王大学医院 (KAUH) 数据集上表现更高,达到99%的准确性,灵敏度和特异性.
• 这些结果表明,根据声学特征对肺部疾病进行分类的表现强.

结论:

• 拟议的轻量级1D-CNN模型 (LDSC) 提供了一种高度准确和高效的方法,用于自动化肺部疾病分类.
• 使用MFCC特征的方法显示了开发廉价,便携和可靠的呼吸道诊断工具的巨大潜力.
• 这项技术可以提高诊断准确性和可访问性,特别是在服务不足的医疗环境中.