基于少样本学习的咳嗽分类
机器学习
2025-09-12 v1
摘要
本文探讨了少样本学习在呼吸声分类中的效果, 聚焦于基于咳嗽的新冠、流感和健康状态检测. 我们利用变分网络 (Prototypical Networks) 对咳嗽声的频谱表示进行处理, 以解决标签数据有限的挑战. 本研究评估了少样本学习是否能够实现与传统深度学习方法相当的性能, 同时使用显著更少的训练样本. 此外, 我们比较了多分类和二分类模型, 以评估多分类模型是否能与其二分类对手等效. 实验结果表明, 少样本学习模型能够实现具竞争力的准确率. 我们的模型在仅每类 15 个支持样本的情况下实现了 74.87% 的多分类准确率, 二分类准确率在所有类别对之间均超过 70%. 按类别分析显示, 流感是最易区分的类别, 而健康状态是最具挑战性的类别. 统计检验 (配对 t 检验 p=0.149, 威尔克森 p=0.125) 表明, 二分类和多分类模型之间不存在显著性能差异, 支持在此环境下使用多分类. 这些结果突显了在缺乏大规模标记数据集时将少样本学习应用于医学诊断的可行性.
引用
@article{arxiv.2509.09515,
title = {Cough Classification using Few-Shot Learning},
author = {Yoga Disha Sendhil Kumar and Manas V Shetty and Sudip Vhaduri},
journal= {arXiv preprint arXiv:2509.09515},
year = {2025}
}
备注
8 pages 8 images Has been accepted in Pervasive Health 2025