基于哭声诊断围产期窒息的神经迁移学习
机器学习
2020-03-20 v3 声音
音频与语音处理
机器学习
摘要
尽管医学持续进步，全球新生儿发病与死亡比率仍居高不下，每年逾600万例伤亡。因此，基于新生儿哭声预测影响其的病症具有重大临床意义，因其将促进基于可穿戴设备与智能手机的低成本可及诊断工具的开发。然而，临床标注婴儿哭声数据集的匮乏限制了该任务的进展。本研究探索一种神经迁移学习方法，以开发准确且鲁棒的模型来识别遭受围产期窒息的婴儿。具体而言，我们探究从成人语音学到的表征可启发并提升基于婴儿语音所建模型性能的假设。我们的实验表明，基于此类表征迁移的模型对不同时域与频域下各类噪声及信号丢失均具鲁棒性。
引用
@article{arxiv.1906.10199,
title = {Neural Transfer Learning for Cry-based Diagnosis of Perinatal Asphyxia},
author = {Charles C. Onu and Jonathan Lebensold and William L. Hamilton and Doina Precup},
journal= {arXiv preprint arXiv:1906.10199},
year = {2020}
}
备注
Accepted at INTERSPEECH 2019