土特产网站建设事业计划书,电子商务外包公司,站外调用WordPress评论,广告设计专业培训这是由National Institute of Technology Rourkela, Central University of Rajasthan发布在2022 ICETCI的论文#xff0c;利用离散小波变换(DWT)得到的多分辨率域特征对1D-CNN模型进行心音分类训练。 预处理 DWT 由于FHS和各种病理声的频率范围在500hz以下[5]#xff…这是由National Institute of Technology Rourkela, Central University of Rajasthan发布在2022 ICETCI的论文利用离散小波变换(DWT)得到的多分辨率域特征对1D-CNN模型进行心音分类训练。 预处理 DWT 由于FHS和各种病理声的频率范围在500hz以下[5]因此将信号从8khz降采样到1khz。信号幅度归一化如下: 数据集里面的信号的长度从1.15秒到3.99秒。经过观察发现每个样本大约由三个心动周期组成。在识别信号的开始和偏移后将信号调整为相等长度(2800个样本)。最终得到了归一化后的信号 再使用DWT将信号分解为低频和高频分量。对高频分量进行下采样再分解为低频分量和高频分量。 心音信号以coif5为母小波分解为5级得到的5个详细电平系数和近似电平信号如图所示。 然后排列成一维数组长度为2942送入1D-CNN。 1D-CNN CNN模型由5层组成1个输入层2个卷积和池化层1个全连接(FC)层和1个输出层(softmax)。 使用50个epoch每个epoch 9次迭代总共迭代450次学习率为0.01。批大小为64。 结果 使用Yaseen GitHub数据集该数据集有1000个样本每200个样本分为5类包括主动脉瓣狭窄(AS)、二尖瓣反流(MR)、二尖瓣狭窄(MS)、二尖瓣脱垂(MVP)和正常(N)。每个样本的采样频率设置为1khz采样长度为2800个样本。完整数据集随机分为训练(70%)和测试(30%)数据集。 测试集混淆矩阵如下 可以看到该模型能有效地对所有类别进行分类。5个类的F-score在98.18%以上。MR和N的F-score都在99%以上。 除a类的准确率为97.73%外其余4个指标的准确率均高于98%。这5个类别都达到了高灵敏度(98%)和高特异性(99%)。 SOTA比较 使用该方法获得了最高的准确率(98.9%)。 论文地址 https://avoid.overfit.cn/post/de8b9cc055a34f2fb9fa3c1e509e169b