多路径卷积神经网络有效改进连续附加肺音检测中的特征提取
声音
2021-07-12 v1 机器学习
音频与语音处理
摘要
我们此前建立了一个大型肺音数据库 HF_Lung_V2 (Lung_V2)。我们基于 Lung_V2 训练了卷积-双向门控循环单元 (CNN-BiGRU) 网络，用于在记录级别检测吸气、呼气、连续附加音 (CAS) 与断续附加音。然而，由于诸多原因，CAS 检测性能较差，其中之一是 CAS 模式的高度多样性。为使原始 CNN-BiGRU 模型更有效地学习 CAS 模式且不造成过多计算负担，研究了三种对 CNN 层网络架构做最小修改的策略：(1) 通过使用残差块使 CNN 层稍加深；(2) 通过增加 CNN 核数量使 CNN 层稍加宽；(3) 将特征输入分离为多路径（该模型记为 Multi-path CNN-BiGRU）。对 CAS 片段与事件检测性能进行了评估。结果显示，所有提出的架构修改模型均观察到 CAS 检测的改进。所提模型的 CAS 事件检测 F1 分数从 0.445 提升至 0.491-0.530，被认为显著提升。然而，Multi-path CNN-BiGRU 模型在总计九项评估指标中以获胜项数（五项）优于其他模型。此外，与原 CNN-BiGRU 模型相比，Multi-path CNN-BiGRU 模型未造成额外计算负担（0.97 倍推理时间）。结论是，多路径 CNN 层可有效提升特征提取效率，进而带来更好的 CAS 检测。
引用
@article{arxiv.2107.04226,
title = {Multi-path Convolutional Neural Networks Efficiently Improve Feature Extraction in Continuous Adventitious Lung Sound Detection},
author = {Fu-Shun Hsu and Shang-Ran Huang and Chien-Wen Huang and Chun-Chieh Chen and Yuan-Ren Cheng and Feipei Lai},
journal= {arXiv preprint arXiv:2107.04226},
year = {2021}
}
备注
To be submitted, 32 pages, 8 figures, 2 tables