使用生成网络进行数据增强以识别痴呆症
音频与语音处理
2020-04-14 v1 计算与语言
机器学习
声音
摘要
数据局限是在训练医疗应用机器学习分类器时最常见的问题之一。由于伦理关切和数据隐私，此类实验可招募的人数通常少于非医疗数据集的参与者数量。近期研究表明，生成模型可用作数据增强的有效方法，最终有助于在稀疏数据域训练更鲁棒的分类器。若干研究证明该数据增强技术对图像和音频数据集有效。在本文中，我们研究将类似方法应用于由我们的自动痴呆检测系统记录的交互中提取的不同类型语音和基于音频的特征。使用两个生成模型，我们展示了生成的合成样本如何提升基于 DNN 的分类器性能。变分自编码器将一个区分记忆门诊中典型患者群体的四分类器的 F 值从 58% 提高到约 74%，即 16% 的提升。
引用
@article{arxiv.2004.05989,
title = {Data augmentation using generative networks to identify dementia},
author = {Bahman Mirheidari and Yilin Pan and Daniel Blackburn and Ronan O'Malley and Traci Walker and Annalena Venneri and Markus Reuber and Heidi Christensen},
journal= {arXiv preprint arXiv:2004.05989},
year = {2020}
}