• 1. 上海交通大学 机械与动力工程学院(上海 200240);
  • 2. 上海市第一人民医院 心内科(上海  200080);
导出 下载 收藏 扫码 引用

心音是诊断心血管疾病常用的医学信号之一。本文对心音正常/异常的二分类问题进行了研究,提出了一种基于极限梯度提升(XGBoost)和深度神经网络共同决策的心音分类算法,实现了对特征的选择和模型准确率的进一步提升。首先,本文对预处理后的心音信号进行心音分割,在此基础上提取了 5 个大类的特征,前 4 类特征采用递归特征消除法进行特征选择,作为 XGBoost 分类器的输入,最后一类为梅尔频率倒谱系数(MFCC),作为长短时记忆网络(LSTM)的输入。考虑到数据集的不平衡性,本文在两种分类器中皆使用了加权改进的方法。最后采用异质集成决策方法得到预测结果。将本文所提心音分类算法应用于 PhysioNet 网站在 2016 年发起的 PhysioNet 心脏病学挑战赛(CINC)所用公开心音数据库,以测试灵敏度、特异性、修正后的准确率以及 F 得分,结果分别为 93%、89.4%、91.2%、91.3%,通过与其他研究者应用机器学习、卷积神经网络(CNN)等方法的结果比较,在准确率和灵敏度上有明显提高,证明了本文方法能有效地提高心音信号分类的准确性,在部分心血管疾病的临床辅助诊断应用中有很大的潜力。

引用本文: 王子超, 金衍瑞, 赵利群, 刘成良. 基于极限梯度提升和深度神经网络共同决策的心音分类方法. 生物医学工程学杂志, 2021, 38(1): 10-20. doi: 10.7507/1001-5515.202006025 复制

  • 上一篇

    基于时空特征学习卷积神经网络的运动想象脑电解码方法
  • 下一篇

    基于人工智能的中文临床试验筛选标准文本分类研究