基于深度学习的呼吸声分类系统提升鲁棒性和临床适用性：算法开发与验证
音频与语音处理
2025-05-01 v4
摘要
深度学习技术在呼吸声自动分类方面显示出前景，但在真实世界嘈杂环境中准确区分这些声音仍具有挑战性，限制了其临床部署。此外，仅预测背景噪声的信号可能降低用户对系统信任。本研究探讨了将深度学习基于音频增强步骤整合到呼吸声自动分类系统中，以提高其鲁棒性和临床适用性的可行性和效果。我们进行了大量实验，使用各种音频增强模型架构，包括时域和时频域方法，结合多种分类模型，以评估该模块的效果。将分类性能与噪声注入数据增强方法进行了比较。这些实验在两个数据集上进行：ICBHI 呼吸声数据集和 FABS 数据集。此外，进行了医生验证研究以评估系统的临床实用性。集成音频增强模块后，在多类嘈杂场景下，ICBHI 数据集的分类得分提升了 21.9%，FABS 数据集提升了 4.1%。定量分析显示，该方法带来了效率提升、更高的诊断置信度和更高的信任水平，使用增强音频的工作流程使诊断灵敏度提高 11.6%，并实现高置信度诊断。将音频增强算法集成到呼吸声自动分类系统中，可提高其鲁棒性和临床实用性，增强其在嘈杂环境中的性能，并促进医疗专业人员对系统的信任。
引用
@article{arxiv.2407.13895,
title = {Improving the Robustness and Clinical Applicability of Automatic Respiratory Sound Classification Using Deep Learning-Based Audio Enhancement: Algorithm Development and Validation},
author = {Jing-Tong Tzeng and Jeng-Lin Li and Huan-Yu Chen and Chun-Hsiang Huang and Chi-Hsin Chen and Cheng-Yi Fan and Edward Pei-Chuan Huang and Chi-Chun Lee},
journal= {arXiv preprint arXiv:2407.13895},
year = {2025}
}
备注
Published on JMIR AI https://ai.jmir.org/2025/1/e67239. Demo website: https://rogertzeng.github.io/ReSC-AE/