提高 AI 基础心音分类准确度的方法

Question

我们有一个用于心音分类 (link) 的 GitHub 项目，其README 内容如下：

技术可以在解决上述问题方面发挥作用。这 心音图 (PCG) 是检索心脏声音的方法 心。这种声音可以通过简单的听诊器来捕捉。在这个 工作，我们正在提出一个人工智能模型，它具有 从心音中检测心脏异常的潜力。

数据集可以从https://physionet.org下载。这个数据是 也可以在下面的链接中找到 https://drive.google.com/open?id=13ehWqXt8YDrmmjQc7XAUqcCk6Dwb69hy 数据从两个来源收集：(A) 通过公众 iStethoscope Pro iPhone 应用程序，以及 (B) 来自医院的临床试验 使用数字听诊器 DigiScope。有两个任务 与此数据相关联：

1. 心音特征提取 第一个任务是从音频数据中的心音中提取特征。
2. 心音分类 任务是产生一种方法，可以将真实心音分为四个类别之一（正常、杂音、 额外的声音和人工制品）。

所以如果可能的话，我在这里询问了一些想法来提高 验证准确性 心音分类的深度学习算法，代码和块可以在下面看到（link）：

import keras
from keras.models import Sequential
from keras.layers import Conv1D, MaxPool1D, GlobalAvgPool1D, Dropout, BatchNormalization, Dense
from keras.optimizers import Adam
from keras.callbacks import ModelCheckpoint, LearningRateScheduler, EarlyStopping
from keras.utils import np_utils
from keras.regularizers import l2

from scipy.signal import decimate

#new_labels = np.array(new_labels, dtype='int')
Y_train = np_utils.to_categorical(y_train)
Y_test=np_utils.to_categorical(y_test)

model = Sequential()
model.add(Conv1D(filters=4, kernel_size=9, activation='relu', input_shape = x_train.shape[1:],kernel_regularizer = l2(0.025)))
model.add(MaxPool1D(strides=4))
model.add(BatchNormalization())
model.add(Conv1D(filters=4, kernel_size=(9), activation='relu',
                kernel_regularizer = l2(0.05)))
model.add(MaxPool1D(strides=4))
model.add(BatchNormalization())
model.add(Conv1D(filters=8, kernel_size=(9), activation='relu',
                 kernel_regularizer = l2(0.1)))
model.add(MaxPool1D(strides=4))
model.add(BatchNormalization())
model.add(Conv1D(filters=16, kernel_size=(9), activation='relu'))
model.add(MaxPool1D(strides=4))
model.add(BatchNormalization())
model.add(Dropout(0.25))
model.add(Conv1D(filters=64, kernel_size=(4), activation='relu'))
model.add(BatchNormalization())
model.add(Dropout(0.5))
model.add(Conv1D(filters=32, kernel_size=(1), activation='relu'))
model.add(BatchNormalization())
model.add(Dropout(0.75))
model.add(GlobalAvgPool1D())
model.add(Dense(3, activation='softmax'))

def batch_generator(x_train, y_train, batch_size):
    """
    Rotates the time series randomly in time
    """
    x_batch = np.empty((batch_size, x_train.shape[1], x_train.shape[2]), dtype='float32')
    y_batch = np.empty((batch_size, y_train.shape[1]), dtype='float32')
    full_idx = range(x_train.shape[0])
    
    while True:
        batch_idx = np.random.choice(full_idx, batch_size)
        x_batch = x_train[batch_idx]
        y_batch = y_train[batch_idx]
    
        for i in range(batch_size):
            sz = np.random.randint(x_batch.shape[1])
            x_batch[i] = np.roll(x_batch[i], sz, axis = 0)
     
        yield x_batch, y_batch
        
weight_saver = ModelCheckpoint('set_a_weights.h5', monitor='val_loss', 
                               save_best_only=True, save_weights_only=True)

model.compile(optimizer=Adam(1e-4), loss='categorical_crossentropy', metrics=['accuracy'])
annealer = LearningRateScheduler(lambda x: 1e-3 * 0.8**x)

x_train.shape

hist = model.fit_generator(batch_generator(x_train, Y_train, 8),
                   epochs=10, steps_per_epoch=1000,
                   validation_data=(x_test, Y_test),
                   callbacks=[weight_saver, annealer],
                   verbose=2)

model.load_weights('set_a_weights.h5')
import matplotlib.pyplot as plt

谢谢。

Answer 1

尝试查看相关出版物。例如，工作基于 The Heat Sounds Shenzhen Corpus可能对你有用吗？

否则，我同意上面的说法，这可能不是堆栈溢出的合适问题。