基于自注意力机制的深度降噪模型用于实际环境中的实时肺音降噪
音频与语音处理
2025-10-21 v3
摘要
目标：肺音听诊是诊断和监测多种呼吸疾病的有价值工具。然而，肺音（LS）在实际临床环境中受到众多污染源的显著影响，尤其是当这些污染源导致频谱重叠时。传统的降噪模型在LS降噪方面显得不实用。为此，我们提出了一种专门用于肺音降噪的深度学习模型（Uformer）。方法：所提出的Uformer模型由三个模块组成：卷积神经网络（CNN）编码器模块，用于提取潜在特征；Transformer 编码器模块，用于进一步增强LS特征的编码，并有效捕捉复杂的长程依赖关系；CNN 解码器模块，用于生成降噪后的信号。我们进行了消融研究，以找到最佳的网络结构。结果：对提出的Uformer模型进行评估，测试数据包括不同类型的人工合成和真实世界噪声。肺音信号的信噪比（SNR）范围为 -12 dB 到 15 dB。实验结果表明，当评估 -12 dB 的肺音信号时，所提出的模型平均SNR提升了16.51 dB。具有平均SNR提升19.31 dB的端到端模型在环境噪声和更少参数的情况下超过了现有的模型。结论：基于定性和定量研究结果，可以得出结论，Uformer在帮助监测呼吸状况方面具有稳健和广泛的适用性。
引用
@article{arxiv.2404.04365,
title = {A Self-Attention-Driven Deep Denoiser Model for Real Time Lung Sound Denoising in Noisy Environments},
author = {Samiul Based Shuvo and Syed Samiul Alam and Taufiq Hasan},
journal= {arXiv preprint arXiv:2404.04365},
year = {2025}
}