PC-MCL：用于呼吸音分类的患者一致性多循环学习及多标签偏差校正
音频与语音处理
2026-01-27 v1 人工智能
机器学习
声音
摘要
自动化呼吸音分类支持肺部疾病诊断。然而，许多深度模型仍依赖于单循环分析，并受到患者特定过拟合的限制。我们提出 PC-MCL（Patient-Consistent Multi-Cycle Learning），通过三项关键组件来解决这些限制：多循环拼接、3 标签表述，以及患者匹配辅助任务。我们的工作消除了呼吸音分类中固有的多标签分布偏差，这一问题源于将常规循环与异常循环拼接于传统 2 标签表述（裂啰音、 wheeze）下会导致信息系统性丢失。我们提出的 3 标签表述（正常、裂啰音、 wheeze）通过保留混合样本中所有组成循环的信息来纠正这一偏差。此外，患者匹配辅助任务作为多任务正则化器，鼓励模型学习更稳健的特征，从而提升泛化能力。在 ICBHI 2017 数据集基准上，PC-MCL 实现了 65.37% 的 ICBHI 分数，超越了现有基线方法。消融实验确认，所有三个组件都至关重要，协同工作以提高对异常呼吸事件的检测。
引用
@article{arxiv.2601.17080,
title = {PC-MCL: Patient-Consistent Multi-Cycle Learning with multi-label bias correction for respiratory sound classification},
author = {Seung Gyu Jeong and Seong-Eun Kim},
journal= {arXiv preprint arXiv:2601.17080},
year = {2026}
}