基于生成式深度学习与信号处理的心脏听诊信号数据增强：使用合成音频提高模型鲁棒性

准确解释心脏听诊信号在诊断和管理心血管疾病方面发挥着关键作用。然而,稀缺的标记数据阻碍了分类模型的训练。研究人员转向使用生成式深度学习技术结合信号处理来增强现有数据并提高心脏听诊分类模型以克服这一挑战。然而,先前研究的主要关注点是模型性能而非模型鲁棒性。在本语境下,鲁棒性定义为通过如马太相关系数等措施衡量的分布内和分布外性能。本文表明,使用增强数据集可训练更具鲁棒性的异常心音分类器。增强包括传统音频方法以及使用WaveGrad和DiffWave扩散模型条件生成的合成音频。发现无论使用哪些数据集,在训练基于卷积神经网络的分类模型时,使用增强数据集均可提高分布内和分布外性能。该性能提升不仅涵盖准确率,还包括平衡准确率和马太相关系数,表明增强数据集显著有助于解决不平衡数据集的问题,从而提供更通用和具鲁棒性的分类器。