CycleGuardian：基于改进深层聚类和对比学习的呼吸音自动分类框架
声音
2025-03-04 v1 人工智能
音频与语音处理
摘要
听诊在早期呼吸和肺部疾病诊断中起着关键作用。尽管深度学习方法在新冠后期后用于自动呼吸音分类方面取得了进展，但有限的数据集仍阻碍了性能提升。区分正常呼吸音和异常呼吸音面临挑战，因为两者都包含正常呼吸成分和噪声成分。此外，不同的异常呼吸音 exhibit 类似的异常特征，导致难以区分。此外，现有的所谓最先进模型 suffer from 参数过大，阻碍在资源受限的移动平台上部署。为解决这些问题，我们设计了一个轻量级网络 CycleGuardian，并提出了一个基于改进深层聚类和对比学习的框架。我们首先生成混合频谱图以实现特征多样性并对频谱图进行分组，以便捕获间歇性异常声音。然后，CycleGuardian 将深度聚类模块与相似性受限聚类组件集成，以提高捕获异常特征的能力，并将对比学习模块与组合并混合结合，以增强异常特征的辨别能力。多目标优化在训练期间提高整体性能。在实验中我们使用 ICBHI2017 数据集，遵循官方划分方法且不使用任何预训练权重，我们的方法实现了 Sp: 82.06 ，Se: 44.47，Score: 63.26，且网络模型大小为 38M，与当前模型相比，我们的方法性能提升约 7，实现了当前最佳性能。此外，我们在 Android 设备上部署该网络，展示了一个综合性的智能呼吸音听诊系统。
关键词
引用
@article{arxiv.2502.00734,
title = {CycleGuardian: A Framework for Automatic RespiratorySound classification Based on Improved Deep clustering and Contrastive Learning},
author = {Yun Chu and Qiuhao Wang and Enze Zhou and Ling Fu and Qian Liu and Gang Zheng},
journal= {arXiv preprint arXiv:2502.00734},
year = {2025}
}