Применение методов глубокого обучения для повышения диагностики и классификации сердечных заболеваний

Аннотация

Заболевания сердечно-сосудистой системы постоянно занимают ведущие позиции среди причин смертности в развитых странах. Ключевым направлением исследований является разработка способов диагностики и оценки рисков, основанных на анализе сердечного ритма, что объединяет элементы математики, анализа данных и медицины. Прогресс в этой сфере находит применение при создании приложений для мобильных телефонов и носимых гаджетов, поскольку все большее значение приобретает самостоятельная диагностика сердечных заболеваний. В рамках работы рассматривается задача определения заболеваний, связанных с нарушениями функционирования сердца, по записям, сделанным при помощи стетоскопа, с использованием методов глубокого обучения. Основная цель – классификация сердечных тонов по четырём категориям: normal, murmur, extrasystole, artefact. Для выделения ключевых акустических признаков применяются мел-частотные кепстральные коэффициенты (MFCC). Эти признаки извлекаются и используются для обучения современных моделей глубокого обучения. Для проведения исследований были выбраны следующие модели глубоких нейронных сетей: рекуррентная нейронная сеть, сверточная нейронная сеть, а также гибридная сеть. Результаты показывают, что с помощью таких моделей можно добиться точности классификации сердечных тонов около 97% на тестовой выборке. Следует отметить, что предлагаемое исследование может послужить основой для дальнейших разработок, таких как объединение предложенной модели с другими компонентами нейронных сетей. Такой подход позволит ускорить процесс обучения и расширит возможности ее применения в мобильных и носимых устройствах.