基于深度神经网络的咳嗽音呼吸病理分类
机器学习
2021-06-24 v1 多媒体
声音
音频与语音处理
摘要
智能系统正在改变世界以及我们的医疗系统。我们提出了一种基于深度学习的咳嗽音分类模型，能够区分健康儿童与患有病理型咳嗽（如哮喘、上呼吸道感染(URTI)和下呼吸道感染(LRTI)）的儿童。为了训练深度神经网络模型，我们收集了一个新的咳嗽音数据集，并标注了临床医生的诊断。所选模型是基于梅尔频率倒谱系数(MFCCs)特征的双向长短期记忆网络(BiLSTM)。所得训练模型在用于分类两类咳嗽——健康或病理（总体或属于特定呼吸病理）时，将咳嗽分类至医生诊断所给标签的准确率超过84%。为了分类受试者的呼吸病理状况，我们合并了每名受试者的多个咳嗽时段的结果。所得预测准确率在所有三种呼吸病理上均超过91%。然而，当模型被训练用于区分四类咳嗽时，总体准确率下降：一类病理咳嗽常被误分类为其他类。但如果将健康咳嗽判为健康、病理咳嗽判为患有某种病理，则四类模型的总体准确率高于84%。对同一受试者采集的病理与康复后咳嗽进行MFCC特征空间的纵向研究揭示：无论潜在状况如何，病理咳嗽占据相同的特征空间，使得仅使用MFCC特征更难区分。
引用
@article{arxiv.2106.12174,
title = {Deep Neural Network Based Respiratory Pathology Classification Using Cough Sounds},
author = {Balamurali B T and Hwan Ing Hee and Saumitra Kapoor and Oon Hoe Teoh and Sung Shin Teng and Khai Pin Lee and Dorien Herremans and Jer Ming Chen},
journal= {arXiv preprint arXiv:2106.12174},
year = {2021}
}