Pengelasan bunyi jantung pembelajaran mendalam berdasarkan spektrogram logaritma

Kertas ini sangat menarik Ia mencadangkan dua model klasifikasi bunyi kadar jantung berdasarkan spektrogram logaritma isyarat bunyi jantung. Kita semua tahu bahawa spektrogram digunakan secara meluas dalam pengecaman pertuturan. Makalah ini memproses isyarat bunyi jantung sebagai isyarat pertuturan dan mencapai hasil yang baik

Isyarat bunyi jantung dibahagikan kepada bingkai dengan panjang yang konsisten dan ciri spektrogram logaritmanya diekstrak Dua model pembelajaran mendalam, rangkaian neural konvolusi (CNN), mengelaskan bunyi degupan jantung berdasarkan ciri yang diekstrak.

Set data bunyi jantung

Diagnosis pengimejan termasuk pengimejan resonans magnetik jantung (MRI), imbasan CT dan pengimejan perfusi miokardium. Kelemahan teknologi ini juga jelas: keperluan tinggi pada jentera dan profesional moden, dan masa diagnosis yang panjang.

Set data yang digunakan dalam kertas ialah set data awam, yang mengandungi 1000 sampel isyarat dalam format .wav dengan frekuensi pensampelan 8 kHz. Set data dibahagikan kepada 5 kategori, termasuk 1 kategori normal (N) dan 4 kategori tidak normal: stenosis aorta (AS), regurgitasi mitral (MR), stenosis mitral (MS) dan regurgitasi injap mitral (MR )

Aortic Stenosis (AS) ialah apabila injap aorta terlalu kecil, sempit atau kaku. Bisikan tipikal stenosis aorta ialah murmur "berbentuk berlian" bernada tinggi.

Mitral regurgitasi (MR) ialah apabila injap mitral jantung gagal menutup dengan betul, menyebabkan darah mengalir semula ke jantung dan bukannya dipam keluar. Semasa auskultasi jantung janin, bunyi S1 mungkin sangat rendah (kadang-kadang kuat) sehingga murmur meningkat dalam jumlah sebanyak S2. Disebabkan aliran pantas mitral selepas S3, murmur pertengahan diastolik pendek dan gemuruh boleh didengar

Stenosis mitral (MS) bermakna injap mitral rosak dan tidak boleh dibuka sepenuhnya. Auskultasi bunyi jantung menunjukkan bahawa S1 bertambah teruk pada stenosis mitral awal dan menjadi lembut dalam stenosis mitral yang teruk. Apabila hipertensi pulmonari berkembang, bunyi S2 akan ditekankan. Pesakit dengan MS tulen hampir tiada S3 ventrikel kiri.

Mitral valve prolaps (MVP) merujuk kepada prolaps risalah injap mitral ke dalam atrium kiri semasa pengecutan jantung. MVP biasanya tidak berbahaya tetapi boleh menyebabkan komplikasi seperti regurgitasi mitral, endokarditis, dan pecah tali pusat. Tanda-tanda termasuk klik pertengahan sistolik dan murmur lewat sistolik (jika ada regurgitasi)

Prapemprosesan dan pengekstrakan ciri

Isyarat bunyi mempunyai panjang yang berbeza, jadi sampel perlu ditetapkan untuk setiap Kadar fail yang dirakam. Untuk memastikan isyarat bunyi mengandungi sekurang-kurangnya satu kitaran jantung yang lengkap, kami memangkas panjangnya. Mengikut fakta bahawa degupan jantung orang dewasa 65-75 kali seminit dan kitaran degupan jantung adalah kira-kira 0.8 saat, kami memotong sampel isyarat kepada segmen 2.0 saat, 1.5 saat dan 1.0 saat

Berdasarkan Transformasi Fourier Diskret ( DFT), bunyi jantung adalah Bentuk gelombang asal isyarat ditukar kepada spektrogram logaritma. DFT y(k) bagi isyarat bunyi ialah Persamaan(1), dan spektrum logaritma s ditakrifkan sebagai Persamaan(2).

Dalam formula, N ialah panjang vektor x, dan ε = 10^(- 6) ialah offset kecil. Bentuk gelombang dan spektrogram logaritma bagi beberapa sampel bunyi jantung adalah seperti berikut:

Model pembelajaran mendalam

1, LSTM

Model pembelajaran mendalam

1, LSTM

model LSTM direka bentuk dengan lapisan LS

dan kemudian 3 lapisan sambungan lengkap. Lapisan ketiga yang disambungkan sepenuhnya memasukkan pengelas softmax.

2. Model CNN

Seperti yang ditunjukkan dalam rajah di atas, dua lapisan konvolusi pertama diikuti oleh lapisan pengumpulan maksimum yang bertindih. Lapisan konvolusi ketiga disambungkan terus ke lapisan pertama yang bersambung sepenuhnya. Lapisan kedua yang bersambung sepenuhnya disalurkan kepada pengelas softmax dengan lima label kelas. Menggunakan BN dan ReLU selepas setiap lapisan konvolusi

3 Butiran latihan

Keputusan🎜🎜🎜🎜🎜🎜🎜🎜🎜🎜Selebihnya set latihan mengandungi 70% set latihan sementara set latihan menduduki 70% set latihan. bahagian 🎜🎜🎜🎜Apabila tempoh segmen model CNN ialah 2.0 s, ketepatan tertinggi ialah 0.9967; 🎜🎜Ketepatan keseluruhan model CNN masing -masing adalah 0.9967, 0.9933 dan 0.9900 masing -masing, dan tempoh segmen masing -masing adalah 2.0 saat, 1.5 saat dan 1.0 saat masing -masing, manakala tiga angka model LSTM masing -masing adalah 0.9500, 0.9700 dan 0.9300 masing -masing.

CNN Ketepatan ramalan model dalam setiap tempoh masa adalah lebih tinggi daripada model LSTM

Berikut ialah matriks kekeliruan:

Kelas N (Normal) mempunyai ketepatan ramalan tertinggi mencapai 60 dalam 5 kes, manakala kelas MVP mempunyai ketepatan ramalan yang paling rendah antara semua kes.

Panjang masa input model LSTM ialah 2.0 s, dan masa ramalan terpanjang ialah 9.8631 ms. Model CNN dengan masa pengelasan 1.0 s mempunyai masa ramalan terpendek, iaitu 4.2686 ms.

Berbanding dengan SOTA lain, sesetengah kajian mempunyai ketepatan yang sangat tinggi, tetapi kajian ini hanya melibatkan dua kategori (normal dan abnormal), manakala kajian kami dibahagikan kepada lima kategori

dengan Berbanding dengan kajian lain menggunakan set data yang sama (0.9700), kajian kertas telah meningkat dengan ketara, dengan ketepatan tertinggi 0.9967.

Atas ialah kandungan terperinci Pengelasan bunyi jantung pembelajaran mendalam berdasarkan spektrogram logaritma. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!