基于双向长短时记忆网络和自注意力机制的心音分类

心音听诊是早期筛查心脏病的有效诊断方法。为了提高异常心音检测性能，提出了一种基于双向长短时记忆（Bi-directional long short-term memory，Bi-LSTM）网络和自注意力机制（Self-attention mechanism，SA）的心音分类算法。对心音信号进行分帧处理，提取每帧心音信号的梅尔频率倒谱系数（Mel-frequency cepstral coefficients，MFCC）特征；将MFCC特征序列输入Bi-LSTM网络，利用Bi-LSTM网络提取心音信号的时域上下文特征；通过自注意力机制动态调整Bi-LSTM网络各时间步输出特征的权重，得到有利于分类的更具鉴别性的心音特征；通过Softmax分类器实现正常/异常心音的分类。在PhysioNet/CinC Challenge 2016心音数据集上对所提出的算法使用10折交叉验证法进行了评估，得到0.942 5的灵敏度、0.943 7的特异度、0.836 7的精度、0.886 5的F₁得分和0.943 4的准确率，优于对比的典型算法。实验结果表明，该算法在无需进行心音分段的基础上就能有效实现异常心音检测，具有潜在的临床应用前景。