用于自动化肺音分析的渐进扩展数据库更新
声音
2021-09-30 v3 人工智能
机器学习
音频与语音处理
摘要
目的：我们此前建立了一个开放获取的肺音数据库 HF_Lung_V1，并开发了用于吸气、呼气、连续性异常音（CAS）和间断性异常音（DAS）检测的深度学习模型。用于训练的数据量影响模型精度。在此，我们收集了更大量的数据以进一步提升模型性能。此外，探讨了标签噪声与声音重叠问题。方法：HF_Lung_V1 扩展为 HF_Lung_V2，音频文件数量增加 1.45 倍。分别使用 HF_Lung_V1（V1_Train）和 HF_Lung_V2（V2_Train）训练集训练卷积神经网络-双向门控循环单元网络模型，并分别使用 HF_Lung_V1（V1_Test）和 HF_Lung_V2（V2_Test）测试集进行测试。采用 F1 分数评估片段与事件检测性能。评估了标签质量。此外，计算了吸气、呼气、CAS 与 DAS 标签间的重叠比率。结果：使用 V2_Train 训练的模型在 V1_Test 与 V2_Test 上的吸气、呼气和 CAS 检测 F1 分数均有提升，但 DAS 检测未提升。CAS 检测不佳归因于 CAS 标签质量。DAS 检测受 DAS 标签与吸气、呼气标签重叠的强烈影响。结论：收集更大量的肺音数据对开发更精确的肺音分析模型至关重要。为建立真实标注，必须重新修订标签；该工作正在进行。此外，必须制定解决 DAS 检测中声音重叠问题的方法。
引用
@article{arxiv.2102.04062,
title = {An Update on a Progressively Expanded Database for Automated Lung Sound Analysis},
author = {Fu-Shun Hsu and Shang-Ran Huang and Chien-Wen Huang and Yuan-Ren Cheng and Chun-Chieh Chen and Jack Hsiao and Chung-Wei Chen and Feipei Lai},
journal= {arXiv preprint arXiv:2102.04062},
year = {2021}
}
备注
Under review, 14 pages, 5 figures, 3 tables