多模态深度学习：心血管疾病检测的新突破

本篇硕士学位论文探讨了心血管疾病检测领域的前沿研究，聚焦于基于多模态数据的深度学习方法。传统的心血管疾病筛查手段如心电图、心脏听诊、超声心动图和X光虽能提供不同维度的信息，但单一类型的方法往往难以全面评估疾病状态。因此，论文着重于如何融合心电信号和心音信号这两种具有优势的非侵入式、成本低且实时性强的数据源，以实现更精准的疾病检测。 论文首先指出当前的多模态数据融合方法存在的问题，即通常为每种数据类型设计独立的特征提取模型，缺乏通用性和灵活性。为解决这一问题，作者提出了一种深度双尺度残差网络，它能够从多尺度角度分解信号特征，并在不同尺度上进行提取，从而生成更丰富和精确的特征表示。为了进一步提升模型的适应性，论文引入了挤压和激励注意力卷积网络，这种网络能够动态调整每个通道特征图的重要性，增强了特征提取和分类能力。 针对直接串联融合方式可能导致冗余或互补性不足的问题，论文采用了递归特征消除模型，旨在减少特征间的冗余，增强互补性。此外，为解决现有数据特征选择方法难以捕捉复杂依赖关系的问题，作者创新性地提出了时间模式注意力网络，结合双向长短时记忆网络和时间模式注意力机制，不仅有效捕捉不同模态之间的复杂关系，还能根据数据特性自适应地分配权重，从而优化心电信号和心音信号的融合效果。 这篇论文通过对心电和心音信号的深度学习融合方法进行改进，不仅提高了心血管疾病检测的精度，还展示了在处理多模态数据时的有效策略，对于提升医疗数据分析的效率和准确性具有重要意义。通过这些创新性的网络架构和融合策略，论文为心血管疾病自动诊断提供了新的可能，对于相关领域的研究者和技术开发者具有很高的参考价值。