用于检测听觉脑干反应的多迁移学习技术
音频与语音处理
2023-09-01 v1 神经与进化计算
摘要
对听力受损个体外周听觉神经系统健康状况的评估通过听觉脑干反应 (ABR) 测试进行。听觉学家评估并记录 ABR 测试结果，他们依据基于参考的标记（如波峰潜伏期、波形形态、振幅及其他相关因素）解读结果并为其标注。ABR 测试的不准确评估可能导致对听觉神经系统完整性的错误判断；因此，适当的听力损失 (HL) 诊断与分析至关重要。为识别并评估 ABR 自动化同时降低人为误差可能性，机器学习方法尤其是深度学习或为一种合适选择。针对这些问题，本研究提出使用迁移学习 (TL) 方法的深度学习模型，从 ABR 测试中提取特征并使用支持向量机 (SVM) 诊断 HL。所提模型中使用了预训练的卷积神经网络 (CNN) 架构如 AlexNet、DenseNet、GoogleNet、InceptionResNetV2、InceptionV3、MobileNetV2、NASNetMobile、ResNet18、ResNet50、ResNet101、ShuffleNet 和 SqueezeNet，从收集的 ABR 报告图像数据集中提取特征。已决定采用六项指标——准确率、精确率、召回率、几何均值 (GM)、标准差 (SD) 和 ROC 曲线下面积——来衡量所提模型的有效性。根据实验发现，ShuffleNet 和 ResNet50 模型的 TL 在使用 SVM 分类器进行 ABR 诊断 HL 时是有效的，在 5 折交叉验证方法下准确率高达 95%。
引用
@article{arxiv.2308.16203,
title = {Multi-Transfer Learning Techniques for Detecting Auditory Brainstem Response},
author = {Fatih Ozyurt and Jafar Majidpour and Tarik A. Rashid and Amir Majidpour and Canan Koc},
journal= {arXiv preprint arXiv:2308.16203},
year = {2023}
}
备注
19