XiaoMi-AI文件搜索系统
World File Search SystemMurmu
杂音与心脏瓣膜疾病...
二尖瓣反流（也称为泄漏瓣膜，二尖瓣反流或二尖瓣不足）是心脏瓣膜疾病的最常见类型之一。它引起的心脏杂音是收缩的，发出了“ whosing”的声音。是由二尖瓣的襟翼引起的，无法正确关闭，结果是向后流入心脏。这种向后的流动意味着没有足够的血液向前移动，以使身体应尽可能发挥作用。心脏必须更加努力地克服缺乏血液，这可能导致心力衰竭，心律不齐，血液血块和中风。在许多情况下，二尖瓣反流随着时间的流逝而缓慢发生，直到患者的症状（包括疲劳，呼吸急促，心pal和手脚肿胀）才变得限制生命。
在心脏杂音特征上探索填充的音频-LLM
大型语言模型（LLMS）在认可和分析人类言论，音乐和环境声音方面表现出色。然而，尽管有很大的科学兴趣，但他们理解其他类型的声音，尤其是生物医学声音的潜力仍然很大程度上。在这项研究中，我们专注于使用Phonocardiongons，即心脏声音诊断心血管疾病。大多数现有的深神经网络（DNN）范式仅限于心脏杂音分类（健康与不健康），并且不预测杂音的其他声学特征，例如时间，时间安排，评分，苛刻，音高和质量，这对于帮助医生可以帮助医生诊断出底层心脏状况很重要。我们建议在Physionet Circor digiscope Phonocardiogram（PCG）数据集上对Audio llm（Qwen2-audio）进行验证，并评估其在对11个专家标记的杂音特征进行分类时的性能。从事方面的目标，我们旨在通过使用音频表示模型Ssamba探索预处理细分算法来实现更多的噪声和可推广系统。我们的结果表明，基于LLM的模型在11个功能中的8个中优于最先进的方法，其余3个。更重要的是，LLM成功地将长尾杂音功能分类为有限的培训数据，这是所有以前的方法都无法分类的任务。这些发现强调了Audio LLM作为人类心脏病专家在增强心脏病诊断方面的助手的潜力。
MMH3：Murmurhash3的python扩展 - 开放期刊
MMH3于2011年推出，作为Murmurhash3的Python扩展名，此后一直在维持。它的API易于用于Python程序员，因为它提供了允许增量更新的单一哈希函数和Hasher类，其方法符合Python标准库的一部分Hashlib。库提供了Python Wheels（即预先构建的二进制套件），可在各种平台上立即使用，包括Linux（X86_64，AARCH64，I686，PPC64LE和S390X），Windows（Win32，Win32，Win_amd64，and Win_Amd64，and Win_arm64）和Macos（Win_Arm64）和Macos（interel MacOs）（intel silel silel sil intel sil interel sil silon）从4.0.0版中，MMH3从MIT许可（OSI批准的允许开源许可证）发布。
临床前和临床研究的全面综述
摘要 - 世界许多地区无法获得心脏病资源的访问促使基于心脏信号的自动诊断系统的发展。近年来，已经提出了广泛的监督学习模型，可以从心脏声音中最初诊断为心脏病。为了达到高精度，这种监督的学习模型通常需要大量标记的数据，这可能是昂贵的。在这方面，最近已经采用了自我监督的学习来减少对注释数据的过度依赖。wav2Vec 2.0是一种音频自我监督的学习模型，在各种与语音有关的任务中显示出令人鼓舞的结果。在本文中，我们对WAV2VEC 2.0进行了调整，以从心脏声音信号中进行杂音检测。为此，我们在Circor Digiscope Heart Sound数据集上进行了预训练和微调。结果证实了使用WAV2VEC 2.0模型进行心脏声音分类的可行性。该模型通过实现0.80的加权精度和0.70的UAR来显示出竞争性能，用于在保留测试集中进行杂音检测。为了研究微调数据大小对下游性能的影响，我们还对小规模的带注释数据进行了微调2VEC 2.0模型。结果证实，该模型对小型微调数据大小具有鲁棒性，因此可以减少我们对大型，带注释的心脏声音数据的依赖。索引术语 - 心脏声音，杂音检测，WAV2VEC 2.0，自我监督学习
心脏杂音和异常PCG检测通过小波散射变换和1D-CNN
摘要 - 这项工作是从Phonocartiogram（PCG）录音中自动且准确的心脏模拟检测。Two public PCG datasets (CirCor Digiscope 2022 dataset and PCG 2016 dataset) from Physionet online database are utilized to train and test three custom neural networks (NN): a 1D convolutional neural network (CNN), a long short-term memory (LSTM) recurrent neural network (RNN), and a convolutional RNN (C- RNN).我们首先进行预处理，其中包括以下关键步骤：使用小波散射变换对PCG段的DeNoising，分割，仅噪声段重新标记，数据归一化以及PCG段的时间频率分析。然后，我们使用PCG 2022数据集进行了四个实验，前三个（E1-E3），使用PCG 2016数据集进行了第四个实验。事实证明，我们的自定义1D-CNN优于其他两个NN（LSTMRNN和C-RNN）。此外，对于实验E3，我们的1D-CNN模型就准确性，加权准确性，F1得分和AUROC而优于相关工作（使用清洁和重新标记的PCG 2022数据集）。对于实验E1（使用原始PCG 2022数据集），我们的模型在加权准确性和F1分数方面非常接近相关工作。
phonocardiogram的自动杂音分级
摘要 - 目的：杂音是心脏异常的声音，由专家通过心脏听觉确定。杂音级是杂音强度的定量度量，与患者的临床状况密切相关。这项工作旨在估计来自多个听诊位置的每个患者的杂音级（即缺乏，柔软，响亮），这些位置来自低资源农村地区的大量儿科患者。方法：每个PCG记录的MEL频谱图表示具有15个卷积残留神经网络的集合，具有通道注意机制，以对每个PCG记录进行分类。根据提议的决策规则得出每个患者的最终杂音等级，并考虑所有可用记录的估计标签。使用分层十倍的交叉验证，该方法在由1007名患者的3456个PCG记录组成的数据集上进行了交叉验证。此外，该方法是在由442名患者的1538个PCG记录组成的隐藏测试集上进行了测试。结果：就未加权的敏感性和F1分数而言，患者级杂音等级的总体交叉验证性能分别为86.3％和81.6％。缺乏，柔软和大声杂音的敏感性（和F1分数）为90.7％（93.6％），75.8％（66.8％）和92.3％（84.2％），
人工智能辅助听诊心脏杂音
摘要 人工智能 (AI) 有可能提高通过听诊筛查瓣膜和先天性心脏病的准确性。然而，尽管最近在以心音为重点的信号处理和分类算法方面取得了进展，但临床对这项技术的接受度仍然有限，部分原因是缺乏客观的性能数据。我们假设可以通过虚拟临床试验对心脏杂音检测算法进行定量和客观的评估。从约翰霍普金斯心脏听诊记录数据库 (CARD) 中选择了所有具有病理性杂音、无害杂音或无杂音的病例。独立于 CARD 开发的测试算法使用自动批处理协议分析每个记录。从 CARD 中选择了来自 603 次门诊就诊的 3180 条心音记录。算法对心率的估计与黄金标准相似。检测病理病例的敏感性和特异性分别为 93%（CI 90–95%）和 81%（CI 75–85%），准确率为 88%（CI 85–91%）。性能因算法确定性度量、患者年龄、心率、杂音强度、胸部记录位置和病理诊断而异。据我们所知，这是首次报道的基于人工智能的杂音检测算法的全面客观评估。测试算法在这次虚拟临床试验中表现良好。该策略可用于有效地比较其他算法对同一数据集的性能，并提高对人工智能辅助听诊潜在临床实用性的理解。