基于 CNN-MoE 的呼吸异常分类与肺部疾病检测框架
音频与语音处理
2020-06-04 v2 机器学习
声音
机器学习
摘要
本文提出并探索了一种用于听诊分析的鲁棒深度学习框架。其旨在从呼吸音录音中对呼吸周期中的异常进行分类并检测疾病。该框架始于将输入声音转换为频谱图表示的前端特征提取。随后，使用后端深度学习网络将频谱图特征分类为呼吸异常周期或疾病的类别。在 ICBHI 呼吸音基准数据集上进行的实验确认了面向呼吸音分析的三个主要贡献。首先，我们广泛探究了频谱图类型、谱-时间分辨率、重叠/非重叠窗口以及数据增强对最终预测精度的影响。这引导我们提出一种基于该框架构建的新颖深度学习系统，其优于当前最先进的方法。最后，我们应用 Teacher-Student 方案以实现模型性能与模型复杂度之间的权衡，这额外有助于提升所提框架构建实时应用的潜力。
引用
@article{arxiv.2004.04072,
title = {CNN-MoE based framework for classification of respiratory anomalies and lung disease detection},
author = {Lam Pham and Huy Phan and Ramaswamy Palaniappan and Alfred Mertins and Ian McLoughlin},
journal= {arXiv preprint arXiv:2004.04072},
year = {2020}
}