基于心音图的模型驱动心率估计与心脏杂音检测
💡
原文英文，约200词，阅读约需1分钟。
📝
内容提要
该研究使用公开的心音图数据集，通过模型驱动方法估计心率，并扩展到多任务学习框架，同时估计心率和检测心脏杂音。研究发现，使用2D卷积神经网络（2dCNN）对心率估计最有效，MAE为1.312bpm。同时，使用所有四种特征的组合可以获得最佳结果。多任务学习模型（2dCNN-MTL）在心脏杂音检测方面准确率超过95％，超过现有模型，同时心率估计的MAE为1.636bpm，满足AAMI的要求。
🎯
关键要点
-
心音信号对健康监测至关重要，提供心率和心脏异常（如杂音）的重要数据。
-
该研究利用公开的心音图数据集，通过模型驱动方法估计心率，并扩展到多任务学习框架。
-
心率估计使用滑动窗口技术分析心音片段，结合多种声学特征。
-
研究发现，2D卷积神经网络（2dCNN）在心率估计中最有效，MAE为1.312bpm。
-
使用所有四种特征的组合可以获得最佳结果。
-
多任务学习模型（2dCNN-MTL）在心脏杂音检测方面准确率超过95%，超越现有模型。
-
该模型在心率估计中的MAE为1.636bpm，满足AAMI的要求。
➡️
