AFEN：使用集成学习的呼吸系统疾病分类
声音
2024-05-10 v1 人工智能
机器学习
音频与语音处理
摘要
我们提出了 AFEN（音频特征集成学习），该模型以集成学习的方式利用卷积神经网络（CNN）和 XGBoost，对一系列呼吸系统疾病进行 SOTA 的音频分类。我们使用精心挑选的音频特征组合，这些特征提供了数据的显著属性并允许准确分类。提取的特征随后作为两个独立模型分类器的输入：1）多特征 CNN 分类器和 2）XGBoost 分类器。然后使用软投票将两个模型的输出融合。因此，通过利用集成学习，我们提高了鲁棒性和准确性。我们在包含 920 个呼吸音的数据库上评估了该模型的性能，该数据库经过数据增强技术处理，以增加数据的多样性和模型的泛化能力。我们实证验证了 AFEN 以 Precision 和 Recall 为指标设定了新的 SOTA，同时将训练时间减少了 60%。
引用
@article{arxiv.2405.05467,
title = {AFEN: Respiratory Disease Classification using Ensemble Learning},
author = {Rahul Nadkarni and Emmanouil Nikolakakis and Razvan Marinescu},
journal= {arXiv preprint arXiv:2405.05467},
year = {2024}
}
备注
Under Review Process for MLForHC 2024