缓解基于音频数据的 COPD 与 COVID-19 呼吸模式检测模型中的性别偏差
机器学习
2025-01-10 v1 声音
音频与语音处理
摘要
在医疗保健行业，研究人员一直在开发机器学习模型，以根据患者的呼吸模式自动诊断呼吸系统疾病。然而，这些模型未考虑人口统计偏差，特别是当模型使用分布偏斜的患者数据集进行训练时经常出现的性别偏差。因此，在如此重要的行业中，减少这种偏差以使模型能够做出公平诊断至关重要。在本研究中，我们检验了用于检测两种主要呼吸系统疾病（即慢性阻塞性肺疾病（COPD）和 COVID-19）呼吸模式的模型中的偏差。使用由两个开源数据集（包含29名 COPD 患者和680名 COVID-19 阳性患者）中获取的呼吸模式音频记录训练的决策树模型，我们分析了性别偏差对模型的影响。通过使用阈值优化器和两个约束（人口统计均等和均等机会）来缓解偏差，我们观察到81.43%（人口统计均等差异）和71.81%（均等机会差异）的改善。这些发现具有统计学意义。
引用
@article{arxiv.2409.10677,
title = {Mitigating Sex Bias in Audio Data-driven COPD and COVID-19 Breathing Pattern Detection Models},
author = {Rachel Pfeifer and Sudip Vhaduri and James Eric Dietz},
journal= {arXiv preprint arXiv:2409.10677},
year = {2025}
}
备注
Accepted at 2024 IEEE-EMBS International Conference on Body Sensor Networks (IEEE BSN 2024)