Manikin-Recorded Cardiopulmonary Sounds Dataset Using Digital Stethoscope

Manikin-Recorded Cardiopulmonary Sounds Dataset Using Digital Stethoscope是由麦克马斯特大学的研究人员创建的，旨在提供高质量的心肺音数据集。该数据集包含210个音频记录，涵盖了50个心脏音、50个肺音和110个混合音，记录了不同性别和解剖位置的声音。数据集的创建过程在无噪音环境中使用数字听诊器进行，确保了声音的清晰度和准确性。该数据集主要应用于人工智能和机器学习领域，用于心肺疾病的自动检测、声音分类和信号处理。The Manikin-Recorded Cardiopulmonary Sounds Dataset Using Digital Stethoscope was developed by researchers from McMaster University, aiming to provide a high-quality cardiopulmonary sounds dataset. This dataset contains 210 audio recordings, covering 50 heart sounds, 50 lung sounds and 110 mixed sounds, capturing sounds from different genders and anatomical locations. The dataset was collected using a digital stethoscope in a noise-free environment, ensuring the clarity and accuracy of the recorded sounds. It is primarily applied in the fields of artificial intelligence and machine learning, for automatic detection of cardiopulmonary diseases, sound classification and signal processing.

搜集汇总

数据集介绍

构建方式

该数据集通过使用先进的数字听诊器在临床模拟人上进行心肺音的录制而构建。在无噪音的受控环境中，研究人员从模拟人的12个不同胸部位置采集了210个音频记录，包括50个心脏音、50个肺音和110个混合音。每个15秒的录音通过蓝牙传输至移动设备，并最终存储在云平台上，以确保数据的高质量和可访问性。此外，录音过程中使用了频率滤波器来增强特定声音类型的捕捉，从而提高了数据的精确性。

特点

此数据集的显著特点在于其包含了单独和混合的心肺音记录，这在现有数据集中是首次实现。此外，数据集涵盖了多种正常和异常的心肺音，如心脏杂音、心房颤动、心音分裂等，以及肺部的喘息、啰音等。这些多样化的声音类型和详细的录音位置信息，使得该数据集成为研究心肺疾病检测和声音分类的宝贵资源。

使用方法

该数据集适用于多种人工智能和信号处理应用，包括自动化心肺疾病检测、声音分类、无监督分离技术以及深度学习算法。研究人员可以利用这些音频数据进行特征提取、模式识别和模型训练。例如，可以通过卷积神经网络（CNN）进行声音分类，或使用独立成分分析（ICA）进行信号分离。数据集的详细元数据和标准化命名规则也便于数据的检索和分析。

背景与挑战

背景概述

心血管和呼吸系统疾病是全球死亡率的主要贡献者，因此准确分析心肺功能至关重要。心肺听诊在诊断多种心肺疾病中扮演着关键角色，尽管这些声信号微弱，但蕴含着重要的医学信息。随着技术的进步，电子和数字听诊器的出现使得声波的转换、处理和记录成为可能，从而提高了分析的精确性。Manikin-Recorded Cardiopulmonary Sounds Dataset Using Digital Stethoscope数据集由McMaster大学的Yasaman Torabi等人创建，旨在通过数字听诊器捕捉心肺声，包括单独和混合录音。该数据集首次提供了分离和混合的心肺声，通过临床模拟器在无噪音环境中录制，涵盖正常和多种异常声，如杂音、心房颤动、心动过速等。此数据集对于开发人工智能和机器学习算法，特别是用于自动心肺疾病检测、声音分类和信号处理，具有重要价值。

当前挑战

该数据集面临的挑战包括：首先，心肺声的微弱性和复杂性使得准确捕捉和分离这些声音成为一项技术难题。其次，尽管临床模拟器提供了无噪音环境，但实际临床环境中存在多种噪音干扰，如何在这些环境中保持录音质量是一个重要问题。此外，数据集的构建过程中，如何确保录音的一致性和标准化，以及如何处理和分析大量的音频数据，都是需要解决的挑战。最后，尽管该数据集提供了丰富的声类型和录音位置，但如何有效地利用这些数据进行模型训练和验证，以提高算法的泛化能力和诊断准确性，仍是一个持续的研究课题。

常用场景

经典使用场景

在医疗诊断领域，Manikin-Recorded Cardiopulmonary Sounds Dataset Using Digital Stethoscope数据集被广泛用于开发和验证自动化的心肺疾病检测算法。该数据集通过使用数字听诊器记录临床模拟器上的心肺声音，提供了高质量的音频数据，涵盖了正常和异常的心肺声音。这些数据对于训练和测试基于人工智能的音频信号处理算法，如卷积神经网络（CNN）和支持向量机（SVM），具有重要意义。通过这些算法，研究人员能够实现对心肺声音的自动分类和异常检测，从而提高诊断的准确性和效率。

衍生相关工作

基于该数据集，研究人员已经开发了多种用于心肺声音分离和分类的算法。例如，Yasaman Torabi等人提出了一种改进的非负矩阵分解（NMF）方法，用于盲分离心肺声音。此外，该数据集还促进了深度学习算法在音频信号处理中的应用，如卷积神经网络（CNN）和循环神经网络（RNN），用于心肺声音的自动分类和异常检测。这些工作不仅提升了心肺疾病的诊断效率，还为未来的智能医疗设备开发提供了技术基础。

数据集最近研究

最新研究方向

在心血管和呼吸系统疾病的诊断领域，Manikin-Recorded Cardiopulmonary Sounds Dataset Using Digital Stethoscope数据集的最新研究方向主要集中在利用人工智能和深度学习技术进行自动化的疾病检测和声音分类。该数据集通过使用数字听诊器记录的心肺声音，包括单独和混合的录音，为研究人员提供了丰富的数据资源。这些数据不仅支持传统的信号处理技术，如主成分分析（PCA）和独立成分分析（ICA），还为卷积神经网络（CNNs）等深度学习算法提供了训练基础。此外，该数据集的混合录音特别适用于开发无监督学习算法，如盲源分离技术，以分析心肺声音的自然重叠。通过这些前沿技术的应用，研究人员能够更准确地识别和分类心肺疾病，从而提高临床诊断的效率和准确性。

相关研究论文

• Manikin-Recorded Cardiopulmonary Sounds Dataset Using Digital Stethoscope

  麦克马斯特大学 · 2024年