利用低信噪比小样本太赫兹光谱实现心肌淀粉样变检测

由于低信噪比的小样本太赫兹光谱的可区分性特征提取困难和样本量过少带来的深度学习模型自身的过拟合问题,将太赫兹光谱与深度学习相结合应用于心肌淀粉样变检测仍面临挑战。本文提出了一种基于多模块顺序级联的分类模型,用于心肌淀粉样变在算法层面的实时检测。首先,采集了少量的低信噪比太赫兹光谱并对其进行预处理。其次,构建了一个基于卷积降噪自编码器、多尺度特征提取模块、密集连接模块的深度学习模型。最后,通过五折交叉验证策略进行病变预测,以获得稳定、可靠的结果。10次独立重复实验和对比实验结果表明,该方法能对含噪光谱进行准确、稳定的分类,且其综合指标更优。不同样本量下的实验表明,本方法对样本量变化具有适应性：数据量为100时可达到95%的准确率;数据量仅为20时,该模型仍能取得70%的准确率。该项工作对心肌淀粉样变的实时、高效、安全诊断具有重要意义。