提高 AI 基础心音分类准确度的方法

如何解决提高 AI 基础心音分类准确度的方法

我们有一个用于心音分类的 GitHub 项目 (link)，包含以下 README 内容：

技术可以在解决上述问题方面发挥作用。这心音图 (PCG) 是检索声音的方法心。这种声音可以通过简单的听诊器捕捉到。在这工作，我们提出了一个人工智能模型，它具有从心音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 数据来自两个来源：(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：

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。
心音分类任务是生成一种方法，可以将真实心音分为四类（正常、杂音、超心音和神器）。

因此，如果可能的话，我在这里询问了一些关于提高验证准确性的想法 心音分类的深度学习算法，其代码和模块如下（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),kernel_regularizer = l2(0.05)))
model.add(MaxPool1D(strides=4))
model.add(Batchnormalization())
model.add(Conv1D(filters=8,kernel_regularizer = l2(0.1)))
model.add(MaxPool1D(strides=4))
model.add(Batchnormalization())
model.add(Conv1D(filters=16,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。

解决方法

尝试查看相关出版物。例如，基于工作 The Heat Sounds Shenzhen Corpus 可能对您有用吗？

否则，我同意上面的观点，这可能不是堆栈溢出的合适问题。