基于表格特征到预训练模型的肠鸣音模式分类机器学习基准测试
声音
2025-02-25 v1 机器学习
音频与语音处理
信号处理
摘要
电子听诊器和可穿戴录音传感器的出现，开启了对肠鸣音（BS）信号进行自动化分析的大门。这使得数据驱动的方式得以分析肠鸣音模式及其间关系，并探讨其与不同疾病的相关性。本工作基于从 16 名健康受试者收集的 BS 数据集进行评估，该数据集依据四种既定的 BS 模式进行注释。该数据集用于评估机器学习模型以检测和/或分类 BS 模式的性能。所考虑的模型涵盖基于表格特征的模型、基于频谱图的卷积神经网络以及在大型音频数据集上预训练的模型。结果显示，预训练模型在检测样本数较少的类别方面显著优于其他模型，采用 HuBERT 模型可在区分 BS 与非 BS 上实现 0.89 的 AUC，采用 Wav2Vec 2.0 模型可在区分肠鸣音模式时实现 0.89 的 AUC。这些结果为更好地理解肠鸣音以及未来基于机器学习的胃肠检查诊断应用铺平了道路。
关键词
引用
@article{arxiv.2502.15607,
title = {Benchmarking machine learning for bowel sound pattern classification from tabular features to pretrained models},
author = {Zahra Mansour and Verena Uslar and Dirk Weyhe and Danilo Hollosi and Nils Strodthoff},
journal= {arXiv preprint arXiv:2502.15607},
year = {2025}
}
备注
9 pages, 6 figures and 1 table