项目简介：
近年来，由于环境污染、生活方式的改变和人口老龄化等因素的影响，呼吸道疾病和心脑血管疾病的发病率和死亡率呈逐年上升的趋势。这些疾病对民众的生命健康构成了严重威胁，给各国家和地区，特别是发展中国家，带来了巨大的医疗压力。为了应对这一挑战，本项目采用信号处理和模式识别技术，研制出了心肺音智能听诊系统。该系统能够实时、准确、无损伤地对心肺音进行分析处理，从中提取出潜在的疾病特征，辅助医生进行更加准确的诊断和监测，节省医生时间精力，提高医生工作效率，从而减轻这些疾病带来的医疗负担。
由于对心肺音信号的标注需要由经验丰富的专家进行，且人工标注费时费力，有标注数据不足是当前制约该领域发展最主要的问题。针对此问题，提出了自监督半监督融合学习的两阶段心肺音识别算法。在第一阶段利用大量的无标注样本通过自监督学习对模型进行预训练，以从无标注样本中学习额外的心肺音结构信息。在第二阶段同样借助无标注样本结合半监督学习对模型进行微调，以从无标注样本中学习额外的语义信息，通过这种方式，有效减少了模型对于有标注样本的依赖；考虑到心肺音是一种准周期性信号，提出了基于周期增强的自监督学习方法，通过引入图注意力网络对样本准周期性进行表征，约束同一样本在不同增广下仍然具有一致的依赖关系，增强了模型对于样本准周期性结构的刻画能力；鉴于无标注样本很可能是使用不同设备采集自不同环境的，其与有标注数据之间可能存在着分布不一致的问题，对此，提出了基于联合能量模型的半监督学习方法，使得模型能够从不同来源的无标注数据中受益。
共发表相关论文2篇，其中基于周期增强的自监督学习方法的灵敏度达到了47.87%，特异性达到了70.78%。基于联合能量模型的半监督学习方法的灵敏度达到了47.72%，特异性达到了70.84%。最后，经过自监督半监督融合学习的两阶段心肺音识别方法，达到了50.60%的灵敏度和71.72%的特异性。
