基于患者特定模型调优的可穿戴设备呼吸音分类深度神经网络
音频与语音处理
2020-04-20 v1 机器学习
声音
机器学习
摘要
本文的主要目标是构建分类模型与策略，以识别呼吸音异常（哮鸣音、湿啰音），用于呼吸与肺部疾病的自动诊断。在这项工作中，我们提出了一种基于梅尔频谱图对呼吸音进行分类的深度CNN-RNN模型。我们还实现了一种患者特定模型调优策略，先筛查呼吸疾病患者，再利用有限的患者数据构建患者特定的分类模型，以实现可靠的异常检测。此外，我们设计了一种模型权重的局部对数量化策略，以降低在内存受限系统（如可穿戴设备）中部署时的内存占用。所提出的混合CNN-RNN模型在ICBHI'17科学挑战赛呼吸音数据库的四类呼吸周期分类上取得了66.31%的得分。当使用患者特定数据重新训练模型时，留一法验证得分为71.81%。所提出的权重量化技术在性能不损失的情况下实现了总内存成本约4倍的降低。本文的主要贡献如下：首先，所提出的模型能够在ICBHI'17数据集上取得最先进的得分。其次，深度学习模型在经呼吸数据预训练后，被证明能够成功学习领域特定知识，并产生显著优于通用模型的性能。最后，训练权重的局部对数量化被证明能够显著降低内存需求。这类患者特定的重训练策略在开发可靠的长期自动化患者监测系统（尤其是可穿戴医疗解决方案）中非常有用。
引用
@article{arxiv.2004.08287,
title = {Deep Neural Network for Respiratory Sound Classification in Wearable Devices Enabled by Patient Specific Model Tuning},
author = {Jyotibdha Acharya and Arindam Basu},
journal= {arXiv preprint arXiv:2004.08287},
year = {2020}
}