FunnelNet: An End-to-End Deep Learning Framework to Monitor Digital Heart Murmur in Real-Time

目的：心脏杂音是由于心脏内部的湍流血流引起的异常声音。有多种诊断方法可用于检测心脏杂音及其严重程度，如心脏听诊、超声心动图、心音图（PCG）等。然而，这些方法存在局限性，包括医疗保健提供者的广泛培训和经验、超声心动图的成本和可访问性，以及噪声干扰和PCG数据处理。本研究旨在使用传统和深度可分离卷积网络开发一种新的端到端实时心脏杂音检测方法。 方法：连续小波变换（CWT）被应用于从PCG数据中提取有意义的特征。所提出的网络分为三部分：Squeeze net、Bottleneck和Expansion net。Squeeze net生成压缩数据表示，而Bottleneck层使用深度可分离卷积网络降低计算复杂度。Expansion net负责将压缩数据上采样到更高的维度，捕获代表性数据的微小细节。结果：为了评估，我们使用了四个公开可用的数据集，并在所有数据集中实现了最先进的性能。此外，我们在两个资源受限设备上测试了我们的提议网络：树莓派和Android设备，将其削减为微小的机器学习模型（TinyML），实现了最高99.70%的准确率。结论：所提出的模型为有限资源内实时准确的心脏杂音检测提供了深度学习框架。意义：这将显著促进更易获得和实用的医疗服务，并减少诊断时间以协助医疗专业人员。代码可在TBA上公开获取。

开发一种新的端到端实时心脏杂音检测方法，以解决心脏杂音检测的限制性问题。

使用连续小波变换（CWT）从PCG数据中提取有意义的特征，然后采用传统和深度可分离卷积网络的结合来实现端到端的实时心脏杂音检测。

论文在四个公开数据集上实现了最先进的性能，并在树莓派和安卓设备上进行了测试，将其转化为TinyML模型，实现了99.70%的最大精度。

最近的相关研究包括使用深度学习技术进行心脏杂音检测的研究，如“基于深度学习的心脏杂音检测：一种新的方法”和“使用卷积神经网络的实时心脏杂音检测”。