首页/论文/1105.4058

arXiv 1105.40582011-05-20cs.CVstat.AP

基于心音的身份验证：研究进展与发展方向

Human Identity Verification based on Heart Sounds: Recent Advances and Future Directions

University of Catania（卡塔尼亚大学）

Francesco Beritelli, Andrea Spadaccini

备注：: 18 pages, chapter to be published in the book "Biometrics / Book 1", ISBN 978-953-307-618-8, by InTech

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

身份验证是我们日常生活中越来越重要的过程，生物特征识别是身份验证问题的自然解决方案。生物特征识别领域最重要的研究方向之一是表征新的生物特征，这些特征可以与其他特征结合使用，以限制其缺点或提高其性能。这项工作的目的是向读者介绍使用心音进行生物识别，描述这种新特性的优点和缺点，并详细分析不同研究小组迄今为止开发的方法及其性能。

英文摘要：

Identity verification is an increasingly important process in our daily lives, and biometric recognition is a natural solution to the authentication problem. One of the most important research directions in the field of biometrics is the characterization of novel biometric traits that can be used in conjunction with other traits, to limit their shortcomings or to enhance their performance. The aim of this work is to introduce the reader to the usage of heart sounds for biometric recognition, describing the strengths and the weaknesses of this novel trait and analyzing in detail the methods developed so far by different research groups and their performance.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

基于小波变换的正常心音与异常心音的频谱分析

Wavelet Based Normal and Abnormal Heart Sound Identification using Spectrogram Analysis

JIS College of Engineering（JIS工程学院）；Kalyani Govt. Engineering College（卡利亚尼政府工程学院）；Jadavpur University（贾达普大学）

本文提出了一种基于离散小波变换（DWT）的计算机辅助正常心音和异常心音识别方法，可用于心脏疾病的远程诊断。由于频谱图中存在累积频率分量，因此将DWT应用于频谱图直到n层，以从各个近似分量中提取特征。一维特征向量是通过计算这些谱图的近似分量的行均值来获得的。对于本方法，频谱图的集合被认为是数据库，而不是原始声音样本。计算测试样本的特征向量与存储样本的特征向量之间的最小欧氏距离来识别心音。通过应用该算法，达到了近82%的准确率。

2012-09-06cs.CV

基于视觉域迁移学习的心跳声分类方法

A Visual Domain Transfer Learning Approach for Heartbeat Sound Classification

Liverpool John Moores University（利物浦约翰摩尔斯大学）；Purdue University（普渡大学）

心脏病是导致人类死亡的最常见原因，占全世界死亡人数的近三分之一。早期发现疾病可以增加患者的生存机会，并且有几种方法可以早期发现心脏病的迹象。本研究提出将净化和标准化的心音转换为视觉梅尔尺度谱图，然后使用视觉域迁移学习方法自动提取特征并在心音之间进行分类。先前的一些研究发现，各种类型的心音的频谱图是人眼视觉上可区分的，这促使本研究对用于自动心音分类的视觉域分类方法进行实验。它将使用基于卷积神经网络的架构，即ResNet，MobileNetV2等作为频谱图的自动特征提取器。这些在图像域中被广泛接受的模型显示出学习从具有不同幅度和噪声水平的不同环境中收集的心音的广义特征表示。使用的模型评估标准是分类准确性，精确度，召回率和AUROC，因为所选数据集是不平衡的。所提出的方法已在PASCAL心音集合的数据集A和B上实施，两组的分类准确度均达到约90%，AUROC均达到约0.97。

2021-10-04cs.CVcs.SDeess.AS

针对心音的深度CardioSound-An集成深度学习模型MultiLabelling

Deep CardioSound-An Ensembled Deep Learning Model for Heart Sound MultiLabelling

Manchester Metropolitan University（曼彻斯特城市大学）

心音诊断和分类在检测心血管疾病中起着至关重要的作用，特别是当远程诊断成为标准的临床实践时。目前大多数的工作是专为单一类别的听到的声音分类任务。为了进一步扩展自动心音诊断领域的前景，这项工作提出了一种深度多标签学习模型，该模型可以使用来自不同标签组的标签自动注释心音记录，包括杂音的定时，音高，分级，质量和形状。我们的实验结果表明，所提出的方法取得了突出的表现上的holdout数据的多标签任务的敏感性=0.990，特异性=0.999，F1=0.990在段的水平，和一个整体的准确性=0.969在病人的记录水平。

2022-04-20cs.CVcs.SDeess.AS

基于面部视频的隐私保护式远程心率估计

Privacy-Preserving Remote Heart Rate Estimation from Facial Videos

Queen’s University（女王大学）

针对面部视频rPPG估计中的隐私风险，提出提取低身份信息区域并结合像素混洗与模糊的数据扰动方法，在保持心率提取性能的同时显著降低人脸识别准确率。

2023-06-01cs.CVeess.IV

使用深度学习识别异常心音

Recognizing Abnormal Heart Sounds Using Deep Learning

Philips Research North America（飞利浦北美研究院）；PARC, A Xerox Company（施乐帕洛阿尔托研究中心）

本文介绍的工作将深度学习应用于自动心脏听诊的任务，即识别心音中的异常。我们描述了一种自动心音分类算法，该算法将时频热图表示与深度卷积神经网络（CNN）的使用相结合。考虑到错误分类的成本敏感性，我们的CNN架构使用修改后的损失函数进行训练，该函数直接优化了灵敏度和特异性之间的权衡。我们在2016年PhysioNet Computing in Cardiology挑战赛中评估了我们的算法，其目标是从单个，短的，可能有噪音的录音中准确分类正常和异常心音。我们进入挑战的最终特异性为0.95，灵敏度为0.73，总分为0.84。我们在所有挑战条目中获得了最大的特异性得分，并且仅使用单个CNN，与使用集成方法的排名第一的完成者相比，我们的算法在总体得分上仅相差0.02。

2017-10-19cs.CVcs.SD

受限数据环境下心音分类的半监督和非监督方法

Semi-supervised and Unsupervised Methods for Heart Sounds Classification in Restricted Data Environments

Institute of Systems Science, National University of Singapore（新加坡国立大学系统科学研究所）；Institute for Infocomm Research, A*STAR（新加坡科技研究局资讯通信研究院）

鉴于全球心脏相关疾病的发病率不断增加，自动心音分类是一种非常需要的诊断工具。在这项研究中，我们通过使用各种监督，半监督和无监督方法对PhysioNet/CinC 2016挑战数据集进行心音分类的全面研究。监督方法，包括深度学习和机器学习方法，需要大量的标记数据来训练模型，这在大多数实际场景中是具有挑战性的。鉴于需要减轻临床实践的标签负担，其中人体标签既昂贵又耗时，在有限的数据设置中，半监督甚至无监督的方法是可取的。因此，提出了一种基于GAN的半监督方法，该方法允许使用未标记的数据样本来增强数据分布的学习。当有限的数据样本存在时，它在监督基线上的AUROC方面实现了更好的性能。此外，几个无监督的方法进行了探索，作为一种替代方法，考虑给定的问题作为一个异常检测方案。特别是，使用一维CNN自动编码器与一类SVM相结合的无监督特征提取获得了良好的性能，而无需任何数据标记。所提出的半监督和无监督方法的潜力可能会导致在未来创建更高质量的数据集的工作流工具。

2020-06-04cs.CV

更多相关论文收起更多论文

转移、半监督和监督学习方法在病理心音分类中的应用

An Ensemble of Transfer, Semi-supervised and Supervised Learning Methods for Pathological Heart Sound Classification

Bangladesh University of Engineering and Technology (BUET)（孟加拉国工程技术大学（BUET））；Robert Bosch Research and Technology Center (RTC)（罗伯特·博世研究与技术中心（RTC））

在这项工作中，我们提出了一个分类器集合，用于在临床环境中使用数字听诊器采集的心音图（PCG）信号区分心脏的各种程度的异常，用于INTERSPEECH 2018计算副语言学（ComparE）心脏跳动子挑战。我们的主要分类框架由具有1D-CNN时间卷积（tConv）层的卷积神经网络组成，该网络使用从在2016年Physionet心音数据库上训练的模型转移的特征。我们还采用了表示学习（RL）方法，使用深度递归自动编码器以无监督的方式生成特征，并使用支持向量机（SVM）和线性判别分析（LDA）分类器。最后，我们在使用短期声学特征上的各种泛函提取的高维分段级特征上利用SVM分类器，即，低级描述符（LLD）。在评估数据集上的未加权平均召回（UAR）性能指标方面，与我们最好的单个子系统相比，三种不同方法的集成提供了11.13%的相对改善。

2018-10-07cs.AIcs.CV

基于卷积神经网络的异常心音检测前端滤波器组参数学习

Learning Front-end Filter-bank Parameters using Convolutional Neural Networks for Abnormal Heart Sound Detection

Bangladesh University of Engineering and Technology（孟加拉国工程技术大学）；Robert Bosch Research and Technology Center（罗伯特·博世研究与技术中心）

自动心音异常检测可以在心脏病的早期诊断中发挥至关重要的作用，特别是在低资源环境中。该任务的最先进算法利用一组有限脉冲响应（FIR）带通滤波器作为前端，随后是卷积神经网络（CNN）模型。在这项工作中，我们提出了一种新的CNN架构，该架构使用时间卷积（tConv）层将前端带通滤波器集成在网络中，从而使FIR滤波器组参数变得可学习。不同的初始化策略的可学习的过滤器，包括随机参数和一组预定义的FIR滤波器组系数，检查。使用所提出的tConv层，我们添加约束的可学习FIR滤波器，以确保线性和零相位响应。对使用PhysioNet/CinC 2016数据集准备的平衡4重交叉验证任务进行实验评价。结果表明，所提出的模型产生优越的性能相比，国家的最先进的系统，而线性相位FIR滤波器组的方法提供了一个绝对的改善9.54%的基线方面的整体精度指标。

2018-06-15cs.CVcs.LGeess.SP

使用多分辨率复数Gabor字典和视觉Transformer对心音中的收缩期杂音进行分类

Classification of systolic murmurs in heart sounds using multiresolution complex Gabor dictionary and vision transformer

CEIEC, Universidad Francisco de Vitoria（CEIEC，弗朗西斯科·维多利亚大学）；Departamento de Informática, Universidad Carlos III de Madrid（信息学院，马德里卡洛斯三世大学）

本文提出了一种自动分类系统，利用多分辨率复数Gabor字典和视觉Transformer对收缩期杂音进行分类，通过特征提取和分类模型提升诊断准确性，实验在CirCor DigiScope数据集上达到95.96%的分类准确率。

2026-04-17cs.AIcs.CV

使用深度学习/Transformer模型识别先天性心脏病

Congenital Heart Disease recognition using Deep Learning/Transformer models

针对先天性心脏病非侵入性筛查易漏诊的问题，本文提出融合声音与图像的双模态深度学习方法，并在ZCHSound和DICOM胸部X光数据集上分别取得73.9%和80.72%的准确率。

2025-05-13cs.CV