维持 COVID-19 检测模型在动态音频数据上的性能:一个鲁棒漂移自适应框架的开发与评估
声音
2024-10-01 v1 人工智能
音频与语音处理
摘要
背景:COVID-19 大流行凸显了从多样且不断变化的数据源中检测疾病的鲁棒诊断工具的必要性。机器学习模型,尤其是卷积神经网络(CNN),已显示出巨大潜力。然而,现实世界数据的动态特性可能导致模型漂移,即随着底层数据分布的变化,模型性能随时间下降。应对这一挑战对于保持诊断的准确性和可靠性至关重要。目的:本研究旨在开发一个框架,用于监控模型漂移并采用自适应机制来减轻 COVID-19 检测模型在动态音频数据上训练时的性能波动。方法:使用了两个众包的 COVID-19 音频数据集:COVID-19 Sounds 和 COSWARA。每个数据集被分为开发期和开发后期。使用开发期的咳嗽录音训练并评估了一个基线 CNN 模型。采用最大均值差异(MMD)来检测不同时期之间数据分布和模型性能的变化。一旦检测到漂移,则触发重新训练以更新基线模型。比较了两种自适应方法:无监督域适应(UDA)和主动学习(AL)。结果:对于 COVID-19 Sounds 和 COSWARA 数据集,UDA 分别将平衡准确率提高了高达 22% 和 30%。AL 带来了更大的改进,分别提高了高达 30% 和 60%。结论:所提出的框架解决了 COVID-19 检测中的模型漂移问题,实现了对不断变化的数据分布的持续适应。这种方法有助于维持模型性能,为 COVID-19 及其他潜在传染病的鲁棒诊断工具做出了贡献。
关键词
引用
@article{arxiv.2409.19300,
title = {Sustaining model performance for covid-19 detection from dynamic audio data: Development and evaluation of a comprehensive drift-adaptive framework},
author = {Theofanis Ganitidis and Maria Athanasiou and Konstantinos Mitsis and Konstantia Zarkogianni and Konstantina S. Nikita},
journal= {arXiv preprint arXiv:2409.19300},
year = {2024}
}