返回
Deep learning models for segmenting phonocardiogram signals: a comparative study
DOI:10.1371/journal.pone.0320297.png)
摘要
En 中文
心脏听诊需要身体表面发生的机械振动,这些振动携带一定范围的声音频率。这些声音是由不同心脏结构在促进血液循环时的运动和搏动产生的。随后,这些声音被识别为心音图(PCG)。在本研究中,应用了深度学习模型,即门控循环神经网络(GRU)、双向门控循环神经网络(Bidirectional-GRU)和双向长短期记忆网络(BILSTM),分别对PCG信号中的四个特定区域进行分割,即S1( lub声)、收缩期区域、S2( dub声)和舒张期区域。这些模型应用于三个知名数据集:PhysioNet/Computing in Cardiology Challenge 2016、麻省理工学院(MITHSDB)和CirCor DigiScope心音图。PCG信号经过一系列预处理步骤,包括数字滤波和经验模态分解,之后应用深度学习算法以实现最高的分割精度。值得注意的是,所提出的方法在PhysioNet数据集上达到了97.2%的准确率,在MITHSDB数据集上达到了96.98%的准确率。值得注意的是,本文首次对CirCor DigiScope数据集的分割过程进行了研究,准确率达到92.5%。本研究比较了上述数据集中各种深度学习模型的性能,证明了其在医疗环境中的效率、准确性和可靠性作为软件工具的优越性。
期刊
IF:
2.6
论文数:
2.6W
被引数:
81.6W
机构
引用论文
Bi-directional gated recurrent unit neural network based nonlinear equalizer for coherent optical communication system
OPTICS EXPRESS
IF3.3
Predicting female pelvic tilt and lumbar angle using machine learning in case of urinary incontinence and sexual dysfunction
SCIENTIFIC REPORTS
IF3.9
Optimizing classification of diseases through language model analysis of symptoms
SCIENTIFIC REPORTS
IF3.9

