论文部分内容阅读
心音是心脏跳动周期中各个组织(瓣膜、心肌、血液)运动产生的声音,富含大量器官(心房、心室、大血管、瓣膜)的状态信息,我们可以通过监测血液循环产生的心音,在心血管疾病发生的初期有效开展治疗工作。考虑到我国幅员辽阔、医疗资源相对短缺的基本国情,心音的自动化听诊研究对我国的初级卫生保健工作有着重大意义。本研究结合了深度学习和基于信息的相似度度量理论(IB S),提出了一种新的网络结构——交叉对比神经网络(CCNN)。网络分为两个主要部分,第一部分通过深度网络提取特征,第二部分利用统计学理论度量特征向量之间的相似性进行分类。本研究改进了原始IBS理论中相似性的度量方法,提出了ModIBS理论,使CCNN能够借助深度学习的强大特征挖掘能力,在统计和物理假设的基础上,对动力学结构生成的信号进行分类。CCNN主要有以下几个主要特点:1.使用交叉对比的输入模式,一方面扩充了医学小数据集,另一方面引入了除信号内容信息之外的对比信息。2.利用统计度量的方法将先验知识引入到神经网络的训练过程中,使网络在统计学原理的支撑下,更加适应医学小数据集的训练。3.结构灵活易调整,特征抽取、距离度量部分方法的选择都非常丰富。这种新的网络结构使得它兼具深度网络和统计学习方法的优点,特征提取流程简单,蕴含信息丰富,在一定程度上克服了深度学习在医学应用中的困难(训练数据少,类间差异不明显等)。与传统的手工设计特征方法相比,CCNN中深度学习的引入可以简化特征提取流程,使用机器代替人工的特征设计。与传统的深度学习方法相比,统计学解释的加入使得整个过程更加容易理解,两两对比的方式带入了更多的信息,使得网络更加关注不同类别间的差异性特征。另外,组合数扩充了数据量,使得CCNN适用于数据难以获取,量级较小的医学诊断场景,有较强的应用潜力。本研究在PhysioNet/Cinc 2016心音数据集上实验了CCNN的效果,其敏感度为0.8346,特异性为0.9623,mAcc为0.8985。