摘要

目的：肺部听诊在肺部疾病的早期诊断中具有重要作用。本研究旨在开发一种自动化异常肺音检测方法，以减轻医生的工作负担。方法：我们提出了一种基于深度学习的新型架构——LungAttn，该架构在ResNet模块中引入增强型注意力卷积机制，以提升肺音分类的准确性。采用基于双可调Q因子小波变换与三重短时傅里叶变换的特征提取方法，生成多通道频谱图。同时，引入Mixup数据增强方法，对异常肺音样本进行扩充，以缓解数据集不平衡问题。主要结果：基于ICBHI 2017挑战赛数据集，我们实现了所提出的框架，并与当前最先进的方法进行对比。实验结果表明，LungAttn模型在该数据集上的灵敏度（Se）、特异性（Sp）和综合评分（Score）分别达到36.36%、71.44%和53.90%。相较于基于ICBHI 2017官方数据划分方法的最先进模型，本方法在综合评分上提升了1.69个百分点。意义：基于异常肺音不同振荡特性的多通道频谱图，为肺音信号提供了必要的特征信息。将注意力机制引入肺音分类任务中，已被证明具有显著有效性。所提出的LungAttn模型有望在临床实践中提升肺音分类的效率与准确性。