文献类型：期刊文章

作　　者：叶娜[1] 吴辰文[1] 蒋佳霖[1]

YE Na;WU Chenwen;JIANG Jialin(Department of Computer Science and Technology,College of Electronic and Information Engineering,Lanzhou Jiaotong University,Lanzhou 730070,China)

机构地区：[1]兰州交通大学电子与信息工程学院计算机科学与技术系,甘肃兰州730070

出　　处：《南方医科大学学报》

基　　金：国家自然科学基金(62241204)。

年　　份：2024

卷　　号：44

期　　号：9

起止页码：1720-1728

语　　种：中文

收录情况：BDHX、BDHX2023、CAS、CSCD、CSCD2023_2024、EAPJ、EMBASE、JST、PUBMED、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：目的探究肺音数据的准确识别及分类。方法本文提出了一种结合空间-通道重构卷积(SCConv)模块的卷积网络架构以及双可调Q因子小波变换(DTQWT)与三重Wigner-Ville变换(WVT)结合的肺音特征提取方法,通过自适应地聚焦于重要的通道和空间特征,提高模型对肺音关键特征的捕捉能力。基于ICBHI2017数据集,进行正常音、哮鸣音、爆裂音、哮鸣音和爆裂音结合的分类。结果方法在分类的准确率、敏感性、特异性以及F1分数上分别达到85.68%、93.55%、86.79%、90.51%。结论所提方法在ICBHI 2017肺音数据库上取得了优异的性能,特别是在区分正常肺音和异常肺音方面。

关 键 词：肺音分类  卷积神经网络 空间-通道重构卷积  双可调Q因子小波变换  三重Wigner-Ville变换  

分 类 号：TN912.3] R563.9] TP18]