摘要：特征提取方法和分类器的选择是心音分类中的两个重要环节。为了充分捕捉心音信号中的病理性特征,研究中引入了一种结合梅尔频率倒谱系数(MFCC)和功率谱密度(PSD)的特征提取方法。与目前常规分类器不同,研究中选择了自适应模糊神经网络(ANFIS)为分类器。在实验设计方面,选取了不同时期、不同频率范围的PSD进行对比,选出分类效果最佳的特征,并采用均值PSD、标准差PSD、方差PSD和中位PSD四种不同的功率谱统计特性进行对比。通过实验比较,心音收缩期100~300 Hz的中位PSD和MFCC组合特征有最好的效果,在准确率、精确率、灵敏度、特异度和F1得分上分别达到96.50%、99.27%、93.35%、99.60%和96.35%。结果显示本研究所提算法对先心病辅助诊断具有较大帮助。

摘要：正常与异常心音分类在心血管疾病的筛查中有着重要的作用。建立在无心音分割的基础上,提出了一种基于功率谱密度时频分布特征与卷积神经网络的心音分类方法。该方法采用小波降噪做预处理,通过循环自相关获取心动周期,采用双线性插值法提取维度一致的心动周期功率谱密度时频特征,并送入卷积神经网络进行训练与测试。实验采用Challenge 2016数据集进行训练与测试,测试集的分类精度达到0.8472,灵敏度和特异性评分达到0.7763和0.9463,整体性能良好。与其他算法的对比结果显示,该算法获得了更高的总体评分。

摘要：为提高心音分类算法的实时性并将该分类算法移植至资源有限的移动设备中,提出一种适用于CRNN心音分类系统的硬件加速器。根据卷积层和LSTM层运算特点,通过交错缓存和分片缓存减小内存耗用,采用滑动窗运算机制和HLS指令优化最大限度地增加运算并行度,在FPGA平台中实现该加速方案。实验结果表明,与通用CPU相较,该CRNN加速器实现了29.79倍加速效果,能效比为通用GPU的20.2倍,具有较好的使用价值。

摘要：心音为疾病的诊断提供了初步的线索,有助于医生对疾病的评估,但传统的心音诊断训练费用昂贵,难以推广应用。针对以上问题,本文提出了一种基于CNN-LSTM的心音自动诊断分类方法,并给出了该方法的体系结构。网络结构由两个局部特征学习块和一个长短期记忆层组成,局部特征学习块主要包括一个卷积层和一个池化层。CNN利用卷积层和池化层来学习局部相关性,同时提取层次相关性。LSTM层用于从学习到的局部特征中学习长期相关性。文章中设计的网络可以充分利用这两种网络的优点,克服它们各自的缺点。实验采用了著名的Peter Bentley心音数据集,以梅尔频率倒谱系数作为心音特征,实验结果表明,设计的CNN-LSTM在心音识别中具有较好的效果,准确率约提高5%。所设计的网络结构在Peter Bentley数据集上的识别率达到85.4%,远高于LSTM和CNN分别在同一数据集上获得的准确率75.6%和80.5%。

摘要：心脏听诊是心脏相关疾病提前诊断和筛查的重要手段,利用深度学习模型进行心音分类取得了不错的效果,但其分类度仍有待提高。该文在心音处理流程和模型结构两个方面做了优化处理,流程方面在心音分割后添加了归一化处理这一步,使得不同音频周期的心音放在了同一范围下比较,特征提取上使用了二阶谱分析方法,保留了提取特征的更多信息;在模型结构选择上,选用CNN+LSTM深度模型作为分类器,充分保留了模型空间维度和时间维度两方面的信息。经过测试,该模型表现优于前人模型,准确率达到了95.3%,在实际样本中该模型也依旧表现稳定,测试准确率为95%,上述的优化为后续进一步提升模型分类结果提供了重要的参考。

摘要：为解决传统听诊器的局限性,设计基于STM32F103单片机的新型电子听诊器,并设计心音分类软件,有利于临床听诊。医疗工作者可使用3.5mm耳机或者蓝牙播放设备进行听诊,并设置0~10dB的音量增益。通过对数字滤波器截止频率的设定,该听诊器分3种听诊模式,可实现全频带、心音和肺音听诊。心音数据通过TCP/IP协议传输到心音分类软件,构成局域网系统。通过决策树模型实现心音的异常判别,准确率高达91.24%,灵敏度98%。该听诊器的听诊音清晰易识、佩戴感舒适、功耗低,可实现数字化听诊及心音的异常判别。

摘要：针对现有心音分类算法普适性差、依赖于对基本心音的精确分割、分类模型结构单一等问题,提出采用大量未经过精确分割的心音二维特征图训练深度卷积神经网络(CNN)的方法;首先采用滑动窗口方法和梅尔频率系数对心音信号进行预处理,得到大量未经过精确分割的心音特征图;然后利用深度CNN模型对心音特征图进行训练和测试;根据卷积层间连接方式的不同,设计了3种深度CNN模型:基于单一连接的卷积神经网络、基于跳跃连接的卷积神经网络、基于密集连接的卷积神经网络;实验结果表明,基于密集连接的卷积神经网络比其他两种网络具备更大的潜力;与其他心音分类算法相比,该算法不依赖于对基本心音的精确分割,且在分类准确率、敏感性和特异性方面均有提升。

摘要：为充分利用心音的全局信息,提出不依赖于分割的心音自动分类方法。对目前的心音分类方法进行总结,分析单阶段和两阶段方法的优势与不足,提出以深度学习提取更好的全局特征作为提升分类效果的新方向。使用精调的卷积神经网络和循环神经网络分别提取心音的频域和时域特征,辅以数据增强的方法进行训练。该方法在测试集的平均分类准确率达到了85.7%,达到了目前单阶段心音分类方法中的最好效果。

摘要：针对基于小波分析和经验模式分解的降噪方法本质上不能追踪并消除噪声且容易造成心音失真的问题,本文提出了一种融合改进最小值控制递归平均和最优修正对数谱幅度估计的心音降噪方法。该方法采用短时窗平滑动态追踪、估计噪声最小值,并将噪声估计用于获取最优频谱增益函数,通过最小化干净心音与估计的干净心音的差异来最大限度地抑制噪声。此外,结合心音时频图主观分析和对正常与异常心音分类系统贡献性的客观分析,提出了一种更为严格的评价机制。实验结果表明,本文提出的方法有效地改善了心音信号的时频特征,并在正常与异常心音分类系统中获得了更高的评分。本文提出方法能够帮助医务工作者提高听诊的准确性,对计算机辅助诊断系统的构建与应用也具有十分重要的参考价值。