基于可解释人工智能的慢性呼吸系统疾病咳嗽频谱图频率子带表征框架
新兴技术
2025-12-02 v1 神经与进化计算
应用物理
摘要
本文提出了一种基于可解释人工智能（XAI）的框架，用于分析与慢性呼吸系统疾病相关的咳嗽声音的频谱分析，特别关注慢性阻塞性肺疾病（COPD）。卷积神经网络（CNN）在咳嗽信号时频表示上进行训练，遮挡图用于识别频谱图中具有诊断价值的区域。这些高亮区域随后被分解为五个频率子带，实现针对性的频谱特征提取和分析。结果表明，频谱模式在不同子带和疾病组之间存在差异，揭示了频率谱上的互补和补偿趋势。值得注意的是，该方法基于可解释的频谱标记区分 COPD 与其他呼吸系统疾病，以及慢性与非慢性患者组。这些发现揭示了咳嗽声学的潜在病理生理特征，并展示了频率分辨的 XAI 增强分析在生物医学信号解释和转化性呼吸系统疾病诊断中的价值。
引用
@article{arxiv.2508.16236,
title = {Energy-Information Trade-Off in Self-Directed Channel Memristors},
author = {Waleed El-Geresy and Dániel Hajtó and György Cserey and Deniz Gündüz},
journal= {arXiv preprint arXiv:2508.16236},
year = {2025}
}
备注
6 pages, 7 figures. To appear at the 2025 IEEE International Workshop on Machine Learning for Signal Processing