用于鲁棒肺音分类的患者感知特征对齐：内聚-分离与全局对齐损失
声音
2025-06-02 v1 机器学习
音频与语音处理
摘要
肺音分类对于呼吸系统疾病的早期诊断至关重要。然而，即使在具有相同症状的患者之间，生物医学信号也常表现出患者间变异性，这需要一种考虑个体差异的学习方法。我们提出了一种患者感知特征对齐（PAFA）框架，包含两种新颖的损失函数：患者内聚-分离损失（PCSL）和全局患者对齐损失（GPAL）。PCSL 将同一患者的特征聚类，同时分离其他患者的特征以捕捉患者变异性，而 GPAL 将每个患者的质心拉向全局中心，防止特征空间碎片化。我们的方法在 ICBHI 数据集上取得了出色的结果，四分类得分为 64.84%，二分类得分为 72.08%。这些发现突出了 PAFA 捕捉个性化模式的能力，并展示了在不同患者集群中的性能提升，为以患者为中心的医疗保健提供了更广泛的应用。
引用
@article{arxiv.2505.23834,
title = {Patient-Aware Feature Alignment for Robust Lung Sound Classification:Cohesion-Separation and Global Alignment Losses},
author = {Seung Gyu Jeong and Seong Eun Kim},
journal= {arXiv preprint arXiv:2505.23834},
year = {2025}
}
备注
Accepted INTERSPEECH 2025