换一批心音异常高检出率模型MS-DTNet:融合多尺度卷积与双塔注意力的方法
MS-DTNet:an efficient model combining multi-scale convolution and dual-tower attention for detecting abnormal heart sounds
摘要目的 提高心音异常的检出率,为自动化心音分析提供技术支持.方法 本文提出了一种基于多尺度卷积与双塔注意力机制的模型(MS-DTNet),其通过深度可分离卷积以降低计算复杂度的同时结合多尺度卷积以并行获取不同感受野的特征,然后采用双塔结构兼顾短时与长时信息提取,并引入翻转注意力机制以进一步增强特征表征能力,从而提高对心音图分类的精度.结果 使用公开数据集CinC2016对提出的模型进行五折交叉验证实验.在心音异常分类任务中,模型在测试集上的平均准确率、平均特异性、平均召回率、平均精确率、平均F1分数与平均ROC分别达到94.49%、93.44%、95.49%、93.81%、94.64%和98.65%,结果均优于其他几种模型.结论 本研究提出的MS-DTNet模型在心音图分类表现出色,为后续的多源心音数据分析与临床辅助决策研究提供了有效的技术基础.
更多相关知识
关键词
心音图分类轻量化神经网络深度可分离卷积多尺度特征卷积注意力机制双塔机制phonocardiogram classificationlightweight neural networkdepthwise separable convolutionmulti-scale convolutionattention mechanismdual-tower architecture
栏目名称
DOI
10.12122/j.issn.1673-4254.2026.06.24
发布时间
2026-07-02（万方平台首次上网日期，不代表论文的发表时间）
- 浏览0
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
