用于可解释呼吸音分析的原型学习
声音
2022-02-08 v4
摘要
远程筛查呼吸系统疾病作为诊断用的非侵入性和早期工具已被广泛研究，尤其是在大流行期间。由于深度神经网络(DNN)模型的优越性能，呼吸音分类任务已通过众多此类模型实现。然而，在决策可能产生重大后果的高风险医疗领域，开发可解释模型是理想的；从而为患者和医生提供可理解的原因。为解决该问题，我们提出了一种原型学习框架，其联合生成用于解释的示例样本并将这些样本整合到 DNN 的一层中。实验结果表明，我们的方法在最大的公共呼吸音数据库上优于最先进的(state-of-the-art)方法。
引用
@article{arxiv.2110.03536,
title = {Prototype Learning for Interpretable Respiratory Sound Analysis},
author = {Zhao Ren and Thanh Tam Nguyen and Wolfgang Nejdl},
journal= {arXiv preprint arXiv:2110.03536},
year = {2022}
}
备注
Technical report of the paper accepted by IEEE ICASSP 2022