科研之友
微信
新浪微博
Facebook
分享链接
摘要
心音信号可以较早表征器质性心脏病，基于深度学习实现心音信号分类有助于临床心脏疾病诊断。为提高基线网络ResNet50心音分类准确率，提出同源双线性残差网络模型。该模型利用CBAM机制改进了ResNet50瓶颈结构，采用F1-score评价标准改进了交叉熵损失函数，运用了标签平滑策略，针对训练数据不平衡问题设置了类间权重，设计心音段类别到心音实例类别映射算法实现了对心音实例分类。通过六组消融实验验证了应用技巧的有效性，提出的模型相比基线网络具有更好的分类效果；与先前学者研究对比分析可知，提出的模型具有一定可行性、先进性。
-
单位广州医科大学; 现代教育技术中心; 基础医学院
