CoughViT：用于咳嗽音频表示学习的自监督 Vision Transformer
声音
2025-08-07 v1 人工智能
音频与语音处理
摘要
医生在诊断过程中会例行检查呼吸音，这为患者气道状况提供信息。近年来，基于呼吸音的人工智能诊断系统在呼吸疾病检测方面取得了成功。这些系统是早期可及诊断的关键，这对于及时治疗至关重要。然而，标签和数据稀缺仍是关键挑战，尤其是针对新冠疫情之外的疾病，可能限制诊断性能和可靠评估。本文提出 CoughViT，这是一种用于学习通用咳嗽声表示的新型预训练框架，以增强数据有限任务中的诊断性能。为解决标签稀缺问题，我们采用掩码建模方式对特征编码器进行自监督学习。我们在三个诊断性重要的咳嗽分类任务上评估了该方法。实验结果表明，我们的方法的表示在提升下游任务性能方面，可与当前基于监督的音频表示相匹配或更优。
引用
@article{arxiv.2508.03764,
title = {CoughViT: A Self-Supervised Vision Transformer for Cough Audio Representation Learning},
author = {Justin Luong and Hao Xue and Flora D. Salim},
journal= {arXiv preprint arXiv:2508.03764},
year = {2025}
}
备注
Accepted to ISWC