[论文解读] I-vector Based Features Embedding for Heart Sound Classification.

Mohammad Adiban, Bagher BabaAli+1 more|arXiv (Cornell University)|Apr 26, 2019

Phonocardiography and Auscultation Techniques被引用 1

一句话总结

本文提出了一种基于 i-vector 的特征嵌入方法，用于使用 PhysioNet 2016 数据集对正常和异常心音进行分类。通过从 MFCC 特征中提取 i-vector，应用 PCA 和变分自编码器（VAE）进行降维，并使用 GMM 和 SVM 进行分类，该方法在基线系统的基础上将修正准确率（Modified Accuracy）提升了 16%。

ABSTRACT

Cardiovascular Disease (CVD) is considered as one of the principal causes of death in the world. Over recent years, this field of study has attracted researchers' attention to investigate heart sounds' patterns for disease diagnostics. In this study, an approach is proposed for normal/abnormal heart sound classification on the Physionet challenge 2016 dataset. For the first time, a fixed length feature vector; called i-vector; is extracted from each heart sound using Mel Frequency Cepstral Coefficient (MFCC) features. Afterwards, Principal Component Analysis (PCA) transform and Variational Autoencoder (VAE) are applied on the i-vector to achieve dimension reduction. Eventually, the reduced size vector is fed to Gaussian Mixture Models (GMMs) and Support Vector Machine (SVM) for classification purpose. Experimental results demonstrate the proposed method could achieve a performance improvement of 16\% based on Modified Accuracy (MAcc) compared with the baseline system on the Physionet2016 dataset.

研究动机与目标

• 通过机器学习技术提高对正常和异常心音的分类性能。
• 通过提取固定长度的 i-vector 表示，解决心音信号长度可变的挑战。
• 通过 PCA 和变分自编码器（VAE）有效降低特征维度。
• 在降维后的 i-vector 特征上使用 GMM 和 SVM 提升分类性能。
• 在 PhysioNet 2016 数据集中展示相对于基线系统的性能提升。

提出的方法

• 从每个心音信号中提取梅尔频率倒谱系数（MFCC）。
• 为每条记录的 MFCC 特征生成固定长度的 i-vector 表示。
• 应用主成分分析（PCA）以降低 i-vector 的维度。
• 使用变分自编码器（VAE）进一步降低维度并学习特征表示。
• 使用高斯混合模型（GMM）和支持向量机（SVM）对降维后的 i-vector 进行分类。
• 在 PhysioNet 2016 数据集上使用修正准确率（MAcc）评估系统性能。

实验结果

研究问题

• RQ1 i-vector 表示能否有效捕捉来自长度可变的心音信号中的判别性特征？
• RQ2 结合 PCA 和 VAE 是否能提升 i-vector 特征的紧凑性和可分性？
• RQ3 所提出的基于 i-vector 的方法在分类正常与异常心音方面与基线系统相比表现如何？
• RQ4 在降维后的 i-vector 上使用 GMM 和 SVM 能在多大程度上提升分类准确率？
• RQ5 所提出的方法是否能在 PhysioNet 2016 数据集中实现显著的性能提升？

主要发现

• 与基线系统相比，所提出方法在 PhysioNet 2016 数据集上的修正准确率（MAcc）提升了 16%。
• i-vector 与 PCA 和 VAE 的结合产生了更紧凑且信息量更丰富的特征表示。
• 在降维后的 i-vector 上结合使用 GMM 和 SVM 显著提升了分类性能。
• i-vector 的使用通过固定长度的特征嵌入，有效处理了长度可变的心音信号。
• 该方法在区分正常与异常心音方面表现出鲁棒性和有效性。
• 结果证实，基于 i-vector 的特征嵌入是一种有前景的心音分类方法。