CN107818366A - 一种基于卷积神经网络的肺音分类方法、系统及用途 - Google Patents

一种基于卷积神经网络的肺音分类方法、系统及用途 Download PDF

Info

Publication number
CN107818366A
CN107818366A CN201711006423.4A CN201711006423A CN107818366A CN 107818366 A CN107818366 A CN 107818366A CN 201711006423 A CN201711006423 A CN 201711006423A CN 107818366 A CN107818366 A CN 107818366A
Authority
CN
China
Prior art keywords
mrow
convolutional neural
neural network
lung
msub
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201711006423.4A
Other languages
English (en)
Inventor
焦超
朱德麒
刘晓芹
邹泽亚
刘思远
李本忠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Li Chuang Kunlun Network Technology Co Ltd
Original Assignee
Chengdu Li Chuang Kunlun Network Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chengdu Li Chuang Kunlun Network Technology Co Ltd filed Critical Chengdu Li Chuang Kunlun Network Technology Co Ltd
Priority to CN201711006423.4A priority Critical patent/CN107818366A/zh
Publication of CN107818366A publication Critical patent/CN107818366A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Optimization (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明涉及一种基于卷积神经网络的肺音分类方法、系统及用途，是将图像识别卷积神经网络应用到肺音分类当中，用通用模型解决了传统算法人工提取特、认为加入限制条件和无法普遍适用所有样本的巨大缺陷，解决了传统算法不能随着数据集的增强，自主学习增强的难题。

Description

一种基于卷积神经网络的肺音分类方法、系统及用途
技术领域
本发明涉及肺音分类技术，具体涉及一种基于卷积神经网络的肺音分类方法、系统及用途。
背景技术
在过去40年中，在这一领域的工作已经证明在识别肺声方面取得的成功是有限的：大多数已发表的研究仅使用少数患者(通常为N<20)，或专注于单一类型的肺声；当然可以实现非常好的分类结果，所有的算法(HMM,神经网络，SVM向量机等)都是基于小量样本，人工提取特征或者加入经验限制条件，根本无法用于工程领域，为了达到实验结果，进行了定制设计和仔细配合，以匹配数据。然而，随着患者人数增加到数十到数百人，从小数据集中学到的特征可能无法工程化；根据我们对过去40年肺部文献的综述，这些发表研究的中位数大约为15名；尽管计算和算法有进步，但传统算法存在不能随着数据集的增强，自主学习增强的难题，自动肺声识别和分类的目标仍然是一个难题。
发明内容
针对上述问题和不足，本发明提出了一种基于卷积神经网络的肺音分类方法、系统及用途，将图像识别卷积神经网络应用到肺音分类当中，用通用模型解决了传统算法人工提取特、认为加入限制条件和无法普遍适用所有样本的巨大缺陷，解决了传统算法不能随着数据集的增强，自主学习增强的难题。
本发明的技术方案如下：
上述的基于卷积神经网络的肺音分类方法，是将每个声音文件转换成频谱图，每个输入特征图设定为总数I，Qi(i＝1，…I)连接到卷积层特征图，卷积层特征图设定为总数J，Qj＝(j＝1,…J)在卷积层中，基于多个局部权重矩阵总共I*J为wij(i＝1，…I；j＝1,…J)，映射可以表示为卷积运算：
所述基于卷积神经网络的肺音分类方法，其中：用Hamming窗口滤波器对每个信号进行带通滤波，使用短时傅里叶变换将每个声音文件转换成频谱图；对于短窗傅里叶变换，使用Hamming窗口重叠；分别对每个位置进行归一化，在每个区域的所有记录中，对每个肺音数据进行归一化，得到仿真肺音大数据集，训练卷积神经网络。
所述基于卷积神经网络的肺音分类方法，其中：所述肺音数据是采用定制手机应用程序和低成本电子听诊器进行收集；通过听诊收集的肺部声音是远程医疗和一般患者监测的肺部疾病诊断的基本组成部分。
一种基于卷积神经网络的肺音分类系统，包括短窗口傅里叶变换模块、带通滤波模块、卷积神经网络实现模块和分类识别模块；所述短窗口傅里叶变换模块用于完成时频域的转换，在连续时间的例子，一个函数可以先乘上仅在一段时间不为零的窗函数再进行一维的短窗傅里叶变换，再将该窗函数沿着时间轴挪移，所得到一系列的短窗傅里叶变换结果排开则成为二维表象；所述带通滤波模块用于将时域肺音转换到频域进行噪音过滤；所述卷积神经网络实现模块由仿真生成的精准标注数据训练生成，能准确识别各种年龄患者大样本的模型；所述分类识别模块用于调用卷积神经网络模型对新数据进行识别。
一种卷积神经网络在肺音分类当中的用途。
所述卷积神经网络在肺音分类当中的用途，其中，是将每个声音文件转换成频谱图，每个输入特征图设定为总数I，Qi(i＝1，…I)连接到卷积层特征图，卷积层特征图设定为总数J，Qj＝(j＝1,…J)在卷积层中，基于多个局部权重矩阵总共I*J为wij(i＝1，…I；j＝1,…J)，映射可以表示为卷积运算：
所述卷积神经网络在肺音分类当中的用途，其中：用Hamming窗口滤波器对每个信号进行带通滤波，使用短时傅里叶变换将每个声音文件转换成频谱图；对于短窗傅里叶变换，使用Hamming窗口重叠；分别对每个位置进行归一化，在每个区域的所有记录中，对每个肺音数据进行归一化，得到仿真肺音大数据集,训练卷积神经网络。
所述卷积神经网络在肺音分类当中的用途，其中：所述肺音数据是采用定制手机应用程序和低成本电子听诊器进行收集，通过听诊收集的肺部声音是远程医疗和一般患者监测的肺部疾病诊断的基本组成部分。
有益效果：
本发明基于卷积神经网络的肺音分类方法、系统及用途，将图像识别卷积神经网络应用到肺音分类领域，基于自己的仿真肺音大数据集，实现了ROC曲线，踹鸣AUC为0.91935483871；用通用模型解决了传统算法人工提取特、认为加入限制条件和无法普遍适用所有样本的巨大缺陷，解决了传统算法不能随着数据集的增强，自主学习增强的难题。
附图说明
图1为本发明基于卷积神经网络的肺音分类系统的结构框图；
图2为本发明基于卷积神经网络的肺音分类方法中卷积神经网络图；
图3为本发明基于卷积神经网络的肺音分类方法中的ROC曲线图。
具体实施方式
如图1所示，本发明基于卷积神经网络的肺音分类系统，包括短窗口傅里叶变换模块1、带通滤波模块2、卷积神经网络实现模块3和分类识别模块4。
该短窗口傅里叶变换模块1完成时频域的转换，在连续时间的例子，一个函数可以先乘上仅在一段时间不为零的窗函数(window function)再进行一维的短窗傅里叶变换(STFT)；再将这个窗函数沿着时间轴挪移，所得到一系列的短窗傅里叶变换(STFT)结果排开则成为二维表象。数学上，这样的操作可写为：
该带通滤波模块2用于将时域肺音转换到频域过滤20Hz和2000Hz以上的噪音。
该卷积神经网络实现模块3由100万个仿真生成的精准标注数据训练生成，是能准确识别各种年龄患者大样本的模型。
该分类识别模块4调用卷积神经网络模型(Model)对新数据进行识别。
本发明基于卷积神经网络的肺音分类方法，是将图像识别卷积神经网络应用到肺音分类领域，如图1所示，将每个声音文件转换成频谱图，每个输入特征图(假设是总数I)，Qi(i＝1，…I)连接到卷积层特征图(假设总数J)，Qj＝(j＝1,…J)在卷积层中，基于多个局部权重矩阵(总共I*J)wij(i＝1，…I；j＝1,…J)；映射可以表示为众所周知的卷积运算：
下面结合附图对本发明的实施方式做进一步的详细说明：
为了准备数据，用Hamming窗口滤波器对每个信号进行带通滤波，20～2000Hz，采样频率44100Hz；然后，使用短窗傅里叶变换(STFT)将每个声音文件转换成频谱图；对于STFT，使用长度为128的Hamming窗口，重叠50％；为了调整不同记录位置之间的差异，分别对每个位置进行了归一化；在每个区域的所有记录中，对每个数据进行归一化，具有零均值和单位标准偏差；标准化后的示例频谱图如图2所示，仿真肺音大数据集(100万个仿真生成的精准标注数据),训练卷积神经网络。
肺音数据是采用定制手机应用程序和低成本电子听诊器进行收集，通过听诊收集的肺部声音是远程医疗和一般患者监测的肺部疾病诊断的基本组成部分。
实验结果：
从1000个精准标注的数据集合中随机产生的5倍交叉验证分裂的集合(50个样本)，ROC曲线和曲线下的相关面积(AUC)来评估每个分类器的性能。如下图3，随着训练数据的增加，True Positive正确识别率达到91.9％，False Positive误判率减小到了18％。
本发明将图像识别CNN神经网络应用到肺音分类领域，用通用模型解决了传统算法人工提取特、认为加入限制条件和无法普遍适用所有样本的巨大缺陷，解决了传统算法不能随着数据集的增强，自主学习增强的难题。

Claims (8)

1.一种基于卷积神经网络的肺音分类方法，是将每个声音文件转换成频谱图，每个输入特征图设定为总数I，Qi(i＝1，…I)连接到卷积层特征图，卷积层特征图设定为总数J，Qj＝(j＝1,…J)在卷积层中，基于多个局部权重矩阵总共I*J为wij(i＝1，…I；j＝1,…J)，映射可以表示为卷积运算：
<mrow> <msub> <mi>Q</mi> <mi>j</mi> </msub> <mo>=</mo> <mi>&amp;sigma;</mi> <mrow> <mo>(</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>I</mi> </munderover> <msub> <mi>O</mi> <mi>i</mi> </msub> <mo>*</mo> <msub> <mi>w</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>,</mo> <mrow> <mo>(</mo> <mi>j</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>...</mn> <mo>,</mo> <mi>J</mi> <mo>)</mo> </mrow> <mo>.</mo> </mrow>
2.如权利要求1所述的基于卷积神经网络的肺音分类方法，其特征在于：用Hamming窗口滤波器对每个信号进行带通滤波，使用短时傅里叶变换将每个声音文件转换成频谱图；对于短窗傅里叶变换，使用Hamming窗口重叠；分别对每个位置进行归一化，在每个区域的所有记录中，对每个肺音数据进行归一化，得到仿真肺音大数据集，训练卷积神经网络。
3.如权利要求2所述的基于卷积神经网络的肺音分类方法，其特征在于：所述肺音数据是采用定制手机应用程序和低成本电子听诊器进行收集；通过听诊收集的肺部声音是远程医疗和一般患者监测的肺部疾病诊断的基本组成部分。
4.一种如权利要求1至3任一所述的基于卷积神经网络的肺音分类方法的肺音分类系统，其特征在于：所述肺音分类系统包括短窗口傅里叶变换模块、带通滤波模块、卷积神经网络实现模块和分类识别模块；
所述短窗口傅里叶变换模块用于完成时频域的转换，在连续时间的例子，一个函数可以先乘上仅在一段时间不为零的窗函数再进行一维的短窗傅里叶变换，再将该窗函数沿着时间轴挪移，所得到一系列的短窗傅里叶变换结果排开则成为二维表象；
所述带通滤波模块用于将时域肺音转换到频域进行噪音过滤；
所述卷积神经网络实现模块由仿真生成的精准标注数据训练生成，能准确识别各种年龄患者大样本的模型；
所述分类识别模块用于调用卷积神经网络模型对新数据进行识别。
5.一种如权利要求1至4任一项所述的卷积神经网络在肺音分类当中的用途。
6.如权利要求5所述的卷积神经网络在肺音分类当中的用途，其特征在于，是将每个声音文件转换成频谱图，每个输入特征图设定为总数I，Qi(i＝1，…I)连接到卷积层特征图，卷积层特征图设定为总数J，Qj＝(j＝1,…J)在卷积层中，基于多个局部权重矩阵总共I*J为wij(i＝1，…I；j＝1,…J)，映射可以表示为卷积运算：
<mrow> <msub> <mi>Q</mi> <mi>j</mi> </msub> <mo>=</mo> <mi>&amp;sigma;</mi> <mrow> <mo>(</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>I</mi> </munderover> <msub> <mi>O</mi> <mi>i</mi> </msub> <mo>*</mo> <msub> <mi>w</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>,</mo> <mrow> <mo>(</mo> <mi>j</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>...</mn> <mo>,</mo> <mi>J</mi> <mo>)</mo> </mrow> <mo>.</mo> </mrow>
7.如权利要求6所述的卷积神经网络在肺音分类当中的用途，其特征在于：用Hamming窗口滤波器对每个信号进行带通滤波，使用短时傅里叶变换将每个声音文件转换成频谱图；对于短窗傅里叶变换，使用Hamming窗口重叠；分别对每个位置进行归一化，在每个区域的所有记录中，对每个肺音数据进行归一化，得到仿真肺音大数据集,训练卷积神经网络。
8.如权利要求7所述的卷积神经网络在肺音分类当中的用途，其特征在于：所述肺音数据是采用定制手机应用程序和低成本电子听诊器进行收集，通过听诊收集的肺部声音是远程医疗和一般患者监测的肺部疾病诊断的基本组成部分。
CN201711006423.4A 2017-10-25 2017-10-25 一种基于卷积神经网络的肺音分类方法、系统及用途 Pending CN107818366A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711006423.4A CN107818366A (zh) 2017-10-25 2017-10-25 一种基于卷积神经网络的肺音分类方法、系统及用途

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711006423.4A CN107818366A (zh) 2017-10-25 2017-10-25 一种基于卷积神经网络的肺音分类方法、系统及用途

Publications (1)

Publication Number Publication Date
CN107818366A true CN107818366A (zh) 2018-03-20

Family

ID=61608629

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711006423.4A Pending CN107818366A (zh) 2017-10-25 2017-10-25 一种基于卷积神经网络的肺音分类方法、系统及用途

Country Status (1)

Country Link
CN (1) CN107818366A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109330622A (zh) * 2018-11-21 2019-02-15 英华达（上海）科技有限公司 智能人体监测系统及其腹部声音监测装置
CN110070069A (zh) * 2019-04-30 2019-07-30 重庆大学 一种基于卷积神经网络自动特征提取的茶叶分类方法
CN110532424A (zh) * 2019-09-26 2019-12-03 西南科技大学 一种基于深度学习和云平台的肺音特征分类系统及方法
WO2020006934A1 (zh) * 2018-07-05 2020-01-09 平安科技（深圳）有限公司 猪只疾病识别方法、装置及计算机可读存储介质
CN110970042A (zh) * 2019-12-13 2020-04-07 苏州美糯爱医疗科技有限公司 一种电子听诊器的肺部啰音人工智能实时分类方法、系统、装置及可读存储介质
CN111476220A (zh) * 2020-06-03 2020-07-31 中国南方电网有限责任公司超高压输电公司大理局 一种换流阀空冷器故障定位方法
CN111466947A (zh) * 2020-04-15 2020-07-31 哈尔滨工业大学 电子听诊的肺音信号处理方法
CN111933185A (zh) * 2020-10-09 2020-11-13 深圳大学 基于知识蒸馏的肺音分类方法、系统、终端及存储介质
CN113679413A (zh) * 2021-09-15 2021-11-23 北方民族大学 一种基于vmd-cnn的肺音特征识别分类方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105590630A (zh) * 2016-02-18 2016-05-18 南京奇音石信息技术有限公司 基于指定带宽的定向噪音抑制方法
CN105662454A (zh) * 2016-01-08 2016-06-15 中国科学院声学研究所 一种罗音检测的方法和装置
KR101720514B1 (ko) * 2016-02-26 2017-04-11 서강대학교산학협력단 Dcica를 이용한 dnn 기반 특징향상을 수행하는 음성인식장치 및 방법
CN106952649A (zh) * 2017-05-14 2017-07-14 北京工业大学 基于卷积神经网络和频谱图的说话人识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105662454A (zh) * 2016-01-08 2016-06-15 中国科学院声学研究所 一种罗音检测的方法和装置
CN105590630A (zh) * 2016-02-18 2016-05-18 南京奇音石信息技术有限公司 基于指定带宽的定向噪音抑制方法
KR101720514B1 (ko) * 2016-02-26 2017-04-11 서강대학교산학협력단 Dcica를 이용한 dnn 기반 특징향상을 수행하는 음성인식장치 및 방법
CN106952649A (zh) * 2017-05-14 2017-07-14 北京工业大学 基于卷积神经网络和频谱图的说话人识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
R.J. RIELLA等: "Method for automatic detection of wheezing in lung sounds", 《BRAZILIAN JOURNAL OF MEDICAL AND BIOLOGICAL RESEARCH》 *
朱冰莲等: "心音信号的短时傅立叶变换分析", 《重庆大学学报(自然科学版)》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020006934A1 (zh) * 2018-07-05 2020-01-09 平安科技（深圳）有限公司 猪只疾病识别方法、装置及计算机可读存储介质
CN109330622A (zh) * 2018-11-21 2019-02-15 英华达（上海）科技有限公司 智能人体监测系统及其腹部声音监测装置
CN110070069A (zh) * 2019-04-30 2019-07-30 重庆大学 一种基于卷积神经网络自动特征提取的茶叶分类方法
CN110532424A (zh) * 2019-09-26 2019-12-03 西南科技大学 一种基于深度学习和云平台的肺音特征分类系统及方法
WO2021114761A1 (zh) * 2019-12-13 2021-06-17 苏州美糯爱医疗科技有限公司 一种电子听诊器的肺部啰音人工智能实时分类方法、系统、装置及可读存储介质
CN110970042A (zh) * 2019-12-13 2020-04-07 苏州美糯爱医疗科技有限公司 一种电子听诊器的肺部啰音人工智能实时分类方法、系统、装置及可读存储介质
CN110970042B (zh) * 2019-12-13 2023-04-18 苏州美糯爱医疗科技有限公司 一种电子听诊器的肺部啰音人工智能实时分类方法、系统、装置及可读存储介质
CN111466947A (zh) * 2020-04-15 2020-07-31 哈尔滨工业大学 电子听诊的肺音信号处理方法
CN111476220A (zh) * 2020-06-03 2020-07-31 中国南方电网有限责任公司超高压输电公司大理局 一种换流阀空冷器故障定位方法
CN111933185A (zh) * 2020-10-09 2020-11-13 深圳大学 基于知识蒸馏的肺音分类方法、系统、终端及存储介质
WO2022073285A1 (zh) * 2020-10-09 2022-04-14 深圳大学 基于知识蒸馏的肺音分类方法、系统、终端及存储介质
CN113679413A (zh) * 2021-09-15 2021-11-23 北方民族大学 一种基于vmd-cnn的肺音特征识别分类方法及系统
CN113679413B (zh) * 2021-09-15 2023-11-10 北方民族大学 一种基于vmd-cnn的肺音特征识别分类方法及系统

Similar Documents

Publication Publication Date Title
CN107818366A (zh) 一种基于卷积神经网络的肺音分类方法、系统及用途
Mouawad et al. Robust detection of COVID-19 in cough sounds: using recurrence dynamics and variable Markov model
Chen et al. Triple-classification of respiratory sounds using optimized s-transform and deep residual networks
CN107492382B (zh) 基于神经网络的声纹信息提取方法及装置
Amrulloh et al. Cough sound analysis for pneumonia and asthma classification in pediatric population
CN104321015A (zh) 用于处理患者声音的方法与装置
CN110047510A (zh) 音频识别方法、装置、计算机设备及存储介质
Drissi et al. Diagnosis of Parkinson’s disease based on wavelet transform and mel frequency cepstral coefficients
Ulukaya et al. Overcomplete discrete wavelet transform based respiratory sound discrimination with feature and decision level fusion
Zakaria et al. Three resnet deep learning architectures applied in pulmonary pathologies classification
CN110970042A (zh) 一种电子听诊器的肺部啰音人工智能实时分类方法、系统、装置及可读存储介质
Kochetov et al. Wheeze detection using convolutional neural networks
Abdollahpur et al. Cycle selection and neuro-voting system for classifying heart sound recordings
Kamble et al. PANACEA cough sound-based diagnosis of COVID-19 for the DiCOVA 2021 Challenge
Hassan et al. Pattern classification in recognizing Qalqalah Kubra pronuncation using multilayer perceptrons
Shuvo et al. NRC-Net: Automated noise robust cardio net for detecting valvular cardiac diseases using optimum transformation method with heart sound signals
Zeng et al. Automatic detection of heart valve disorders using Teager–Kaiser energy operator, rational-dilation wavelet transform and convolutional neural networks with PCG signals
Gautam et al. Biometric system from heart sound using wavelet based feature set
Kwon et al. A temporal dependency feature in lower dimension for lung sound signal classification
Guven et al. A novel biometric identification system based on fingertip electrocardiogram and speech signals
Ren et al. A comprehensive survey on heart sound analysis in the deep learning era
Sujit et al. Improving the performance of cardiac abnormality detection from PCG signal
Neto et al. Convolution-vision transformer for automatic lung sound classification
Kamarulafizam et al. Classification of heart sound based on multipoint auscultation system
Sharan Productive and non-productive cough classification using biologically inspired techniques

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180320