FakeOrange概览：深度学习对于心跳图谱的实时降噪
LSTM U-Net（1D Conv）对于图谱的降噪
概览
下图简要说明了整体工作流与架构。
原作文章
An End-to-End Deep Learning Framework for Real-Time Denoising of Heart Sounds for Cardiac Disease Detection in Unseen NoiseLSTM U-Net (LU-Net), by Bangladesh University of Engineering and Technology (BUET), National Heart Foundation Hospital and Research Institute, Qatar University, Johns Hopkins University
2023 ACCESS (Sik-Ho Tsang @ Medium)
大纲
- LSTM U-Net（LU-Net）
- 数据集准备
- 结果
1. LSTM U-Net（LU-Net）
1.1. 问题表述
（假设读者对 Bi-LSTM 和 U-Net 已经熟悉。）
一个无噪声的 PCG 信号 xxx 被环境或系统中的几个无关成分 nnn 干扰，形成一个带噪声的 PCG 信号 yyy:y=x+ny = x + ny=x+n
LU-Net, F()F()F()，用于去噪 yyy 以获得 x^\hat{x}x^，应接近 xxx:x^=F(y)\hat{x} = F(y)x^=F(y)
因此，使用均方误差（MSE）来训练网络。
通过去噪的心音，分类性能也应该得到提升。
1.2. 模型架构
LSTM U-Net（LU-Net）模型架构
所提出的网络是基于卷积编码器-解码器的架构，其中在跳过连接中使用双向长短期记忆（Bi-LSTM）模块。
- 编码路径: 使用带有 ReLU 的一维卷积层。最后的 Encoder_i=2–5 包含步幅为 2 的卷积层，它们连续创建较低维度的表示。
- 解码路径: Decoder_i 由一维卷积层、后跟的 ReLU 非线性激活和 UpSampling1D 层组成。
最后，从 Decoder_1 输出的结果通过一个卷积层，其中 Cout=1Cout = 1Cout=1，提供相应的去噪输出序列 yt^\hat{y_t}yt^。
在跳过连接处，使用 Bi-LSTM 模块，因为它可以内部将前向和后向向量连接成一个单一向量，从而以更少的参数学习长期依赖关系。
2. 数据集准备
（请直接阅读论文以获取详细的数据集准备和实验设置。本节内容较多。）
2.1. PhysioNet
该数据集提供带有多种噪声的信号（例如呼吸声、听诊器移动声、肠道活动声、周围谈话声）。
2.2. PASCAL
在数据集 B 的训练集中，有包含正常（120）和杂音（29）数据的子目录。
2.3. 开放获取心音（OAHS）数据集（Yaseen GitHub 数据集）
它提供了公开可用的无噪声 PCG 数据集，包含 1000 个录音。
2.4. ICBHI 2017 数据集
最大可公开获得的呼吸声数据库。
2.5. 医院环境噪声（HAN）数据集
来自 YouTube 的非版权 68 分钟视频，其中音频记录了繁忙医院不同地方（走廊、候诊室等）的声音。
2.6. 训练数据准备
使用 PhysioNet 数据集。
将来自 ICBHI 2017 数据集的肺声音作为噪声源，以创建合成的带噪声 PCG 录音。
2.7. 测试数据准备
相对干净的 OAHS 数据集录音与肺声音和医院环境噪声混合，以生成两个合成带噪声的测试集，OAHS-LS 和 OAHS-HAN。
为代表真实世界的测试场景，使用 PASCAL 数据集的带噪录音。
在分类方面，将 OAHS 数据集分为 3 个不同的集：训练集、验证集和测试集，比例为 70:10:20。测试部分混合了肺声音和医院环境噪声，以分别生成测试 OAHS-LS 和 OAHS-HAN 数据集。
3. 结果
3.1. 去噪性能
LU-Net 在所有评估指标上都持续优于 FCN 和 U-Net。
3.2. 分类性能
使用 CardioXNet 作为分类模型。
所提出的 LU-Net 改善了估计的信噪比（SNR）6.517 dB，相比于 U-Net 和 FCN，分别提升了 26.175% 和 2.725%。
3.3. 可视化
