Dec, 2023

基于听诊器引导的监督对比学习在呼吸音分类的跨领域适应中的应用

PDF
TL;DR通过跨领域适应技术，结合监督对比学习方法，本研究在呼吸音分类领域取得了显著进展，成功减少了不同电子听诊器录制的呼吸音之间的领域依赖并实现了 61.71% 的 ICBHI 得分，相较于基线模型的 2.16% 有了显著提升。
deep learninglung sound classificationcross-domain adaptation techniquessupervised contrastive learningdomain dependency
发现论文，激发创造
  • 基于音频谱图变换的 Patch-Mix 对比学习在呼吸音分类中的应用

    这项研究使用深度学习算法和新型增强技术，通过预处理于视听数据集上的模型实现了高效的呼吸声分类以及肺病诊断，取得了 ICBHI 数据集上 4.08% 的最高成绩。

    May, 2023

  • 使用生成的呼吸声进行对抗性微调以解决类别不平衡问题

    我们提出了一种简单而有效的深度生成模型，用于增强医学影像中的数据稀缺问题，并通过对抗性微调方法在呼吸音分类上取得了优越的性能。

    Nov, 2023

  • 利用不同预训练领域的对比学习，从未标记数据发现 COVID-19 咳嗽和呼吸模式

    本文提出了基于对比学习的建模方法，从非 COVID 咳嗽中发现 COVID-19 的咳嗽和呼吸模式，并通过大量实验验证了模型的有效性和不同因素的影响。

    Jun, 2023

  • 生物传感器模型的师生领域自适应

    本文提出了一种在从源域获取充足数据，但目标域的标记数据数量有限或不存在，并仅有少量成对的源目标数据的情况下，进行领域适应的方法。通过预训练一个表现良好的模型来提供更好的学习信号，从而检测基于便携式生物传感器的医学情况，并实现了许多在此领域的解决方案，以减少开发生物传感器的高性能深度学习模型所需的数据量和成本。

    Mar, 2020

  • BTS：基于元数据辅助的呼吸音分类的文本和声音模态的桥接

    通过利用呼吸音样本的元数据，我们引入了一个文本 - 音频多模态模型来改进呼吸音分类的性能，并且在治疗临床环境中部分元数据不可用的情况下也进行了研究验证。

    Jun, 2024

  • 基于先进信号处理与机器学习的音频呼吸疾病分类及辅助诊断支持

    利用全球最大的公开医疗数据库中的呼吸声音，结合经验模式分解和谱分析等方法，训练多个机器学习模型对不同健康状况进行分类诊断，从而大大提高辅助和远程诊断能力。

    Sep, 2023

  • 肺音和肺病分类的多任务学习

    使用多任务学习方法，在医学诊断中对肺音和肺疾病进行同时分类，结果表明该方法在同时分类肺音和肺疾病方面取得了良好的效果，并应用于慢阻肺患者的风险水平计算中，使用随机森林分类器达到了 92% 的准确率，从而减轻了医生的负担。

    Apr, 2024

  • 可穿戴设备中的呼吸音分类深度神经网络，通过患者特定模型调整实现

    本文旨在通过建立分類模型和策略識别呼吸声異常的方法来自動辨别呼吸和肺部疾病，提出使用深度 CNN-RNN 模型基于 Mel-spectrograms 进行呼吸声分类，并采用局部日志量化策略来减少模型权重的内存占用，该模型在 ICBHI'17 科学挑战呼吸声数据库的呼吸周期四级分类上达到 66.31% 的分数，在使用患者特定数据重新训练模型后，还能以 71.81% 的成绩进行交叉验证，而局部日志量化训练后的权重则能够显著降低内存需求，这种类型的患者特定再培训策略在开发可靠的长期自动患者监测系统特别是在可穿戴式医疗解决方案中可能非常有用。

    Apr, 2020

  • 基于教师 - 学生学习的大规模领域自适应

    本文提出一种用于领域自适应的方法，不需要转录数据，而是使用源域和目标域的无标记平行数据，利用教师 / 学生学习方法在目标域中训练模型，并在两种场景下进行评估，实现了显著的准确率提升，尤其是当使用模拟训练数据时，增加了模型的鲁棒性。

    Aug, 2017

  • 基于混合集训练的听诊肺部和气管声音分析双用途深度学习模型

    本研究利用深度学习方法分析呼吸声音，并探究肺音分析算法应用于气管音效应，证实将肺音、气管音同时用于训练模型的效果更好，尤其是混合训练的模型具有较大的灵活性。

    Jul, 2021