响应机器学习模型开发在呼吸系统疾病声音诊断中的挑战号召
声音
2021-11-30 v1 机器学习
音频与语音处理
定量方法
摘要
在本研究中，开发了一种机器学习模型，用于自动检测疾病诊断中打喷嚏和咳嗽等呼吸系统声音。携带有价值信息的呼吸音自动模型与方法开发有助于早期诊断和治疗。本研究成功开发了一种机器学习模型，是对“OSFHOME”开放获取平台上名为“辉瑞数字医学挑战(Pfizer digital medicine challenge)”的挑战的有力响应。使用了称为ESC-50的“环境声音分类(environmental sound classification)”和AudioSet声音文件来准备数据集。在该由三部分组成的数据集中，从训练、测试和验证样本中提取了有效展示咳嗽和喷嚏声音分析的特征。基于梅尔频率倒谱系数(Mel frequency cepstral coefficients, MFCC)特征提取方法，构建了数学和统计特征。考虑了三种不同的分类技术，以在该包含超过3800种不同声音的数据集中成功进行呼吸音分类。使用带径向基函数(radial basis function, RBF)核的支持向量机(support vector machine, SVM)、集成聚合和决策树分类方法作为分类技术。在将咳嗽和喷嚏声音与其他声音进行分类的尝试中，带RBF核的SVM取得了83%的成功率。
引用
@article{arxiv.2111.14354,
title = {Responding to Challenge Call of Machine Learning Model Development in Diagnosing Respiratory Disease Sounds},
author = {Negin Melek},
journal= {arXiv preprint arXiv:2111.14354},
year = {2021}
}