結合耳蝸圖和視覺變壓器的異音分類

核心概念

本研究提出了一種結合耳蝸圖和視覺變壓器 (ViT) 的新型異音分類方法，並在 ICBHI 數據集上取得了卓越的分類性能，優於使用傳統時頻表示和 CNN 架構的現有方法。

摘要

文獻資訊: Mang, L.D.; González Martínez, F.D.; Martínez Muñoz, D.; García Galán, S.; Cortina, R. Classification of Adventitious Sounds Combining Cochleogram and Vision Transformers. Sensors 2024, 24, 682. https://doi.org/10.3390/s24020682
研究目標: 本研究旨在探討結合耳蝸圖和視覺變壓器 (ViT) 架構在異音分類中的性能表現。
方法: 本研究使用耳蝸圖作為輸入數據，並將其輸入 ViT 架構進行訓練和評估。研究人員將 ViT 的分類性能與其他使用頻譜圖、梅爾頻率倒譜系數、恆定 Q 轉換和耳蝸圖作為輸入數據的最先進 CNN 方法進行了比較。
主要發現: 結果表明，結合耳蝸圖和 ViT 的分類性能優於其他基於 CNN 的方法，證明了 ViT 在可靠的呼吸音分類方面的潛力。
主要結論: 本研究開發了一種自動化智能技術，旨在顯著提高呼吸系統疾病檢測的速度和效率，從而滿足醫療領域的關鍵需求。
意義: 本研究為異音分類領域貢獻了一種新穎且有效的方法，有可能改善呼吸系統疾病的早期診斷和治療。
局限性和未來研究: 未來的研究可以集中於評估該方法在更大、更多樣化的數據集上的性能，並探索其他類型的變壓器架構。

統計資料

使用 ICBHI 2017 數據集，其中包含 920 個錄音，採樣率為 4 kHz，每個呼吸週期調整為 6 秒。
異音分類的平均準確率：使用耳蝸圖的 ViT 模型對喘息聲的準確率為 85.9%，對爆裂聲的準確率為 75.5%。
與使用 STFT 相比，使用耳蝸圖在喘息聲分類方面平均提高了約 4.1%，在爆裂聲分類方面平均提高了約 2.3%。
所有評估的神經網絡架構在特異性方面的表現最佳，表明這些架構能夠準確預測患者何時健康。
精度是所有評估的神經網絡架構中表現最差的指標，這表明誤報（健康患者被分類為患病）的數量超過了漏報（患病患者被分類為健康）的數量。

從以下內容提煉的關鍵洞見

Classification of Adventitious Sounds Combining Cochleogram and Vision Transformers

by Loredana Dar... 於 arxiv.org 11-12-2024

https://arxiv.org/pdf/2411.05955.pdf

深入探究

除了耳蝸圖和視覺變壓器之外，還有哪些其他新興技術可以用於改進呼吸音分析和異音分類？

除了耳蝸圖和視覺變壓器，以下是一些可以用於改進呼吸音分析和異音分類的新興技術：

新型時頻表示法:

深度散射表示: 這種方法可以提取聲音信號的多尺度時間散射特徵，對於捕捉異音的瞬態特性非常有效。
小波包變換: 與傳統的小波變換相比，小波包變換可以提供更精細的時頻分辨率，更適合分析非平穩的呼吸音信號。
經驗模態分解 (EMD) 和其變體: EMD 可以將非線性和非平穩信號分解成有限個本徵模態函數 (IMF)，有助於分離和識別不同類型的異音。

更先進的深度學習模型:

圖神經網絡 (GNN): GNN 可以有效地學習和表示數據之間的複雜關係，例如不同呼吸音傳感器或不同時間點之間的關係。
生成對抗網絡 (GAN): GAN 可以生成逼真的合成數據，用於擴充訓練數據集，提高模型的泛化能力。
自監督學習: 利用自監督學習，可以從未標記的呼吸音數據中學習有用的表示，從而減少對大量標記數據的依賴。

多模態數據融合:

結合呼吸音和其他生理信號: 例如，將呼吸音與心電圖 (ECG)、血氧飽和度 (SpO2) 等信號結合起來，可以提供更全面的呼吸系統健康狀況信息。
結合圖像數據: 例如，將胸部 X 光片或 CT 掃描圖像與呼吸音結合起來，可以提高診斷的準確性。

可穿戴設備和邊緣計算:

開發基於可穿戴設備的呼吸音監測系統: 可以實現長時間、連續的呼吸音監測，提高異音檢測的靈敏度。
利用邊緣計算技術: 可以在設備端進行實時呼吸音分析，減少數據傳輸延遲，提高系統的響應速度。

如何解決在異音分類中觀察到的精度值較低的問題，特別是考慮到從醫學角度來看，最大限度地減少漏報至關重要？

解決異音分類中精度值較低的問題，特別是減少漏報，可以從以下幾個方面入手：

數據方面:

擴充數據集: 增加數據集的大小和多樣性，特別是針對漏報率高的異音類型，例如使用數據增強技術或生成合成數據。
提高數據質量: 使用高質量的錄音設備，並在錄音過程中盡量減少噪音干擾。
細化數據標註: 邀請多位專業醫生對呼吸音進行標註，並對存在分歧的樣本進行討論和確認。

模型方面:

選擇更適合的模型: 嘗試使用更深層次的網絡結構、更先進的注意力機制或其他更適合處理時序數據的模型。
調整模型參數: 通過網格搜索或貝葉斯優化等方法，尋找最優的模型超參數，例如學習率、批次大小、正則化強度等。
採用集成學習: 將多個模型的預測結果進行融合，可以有效提高模型的泛化能力和魯棒性。

評估指標方面:

關注敏感性和特異性: 除了準確率，還應關注敏感性和特異性，特別是對於漏報的容忍度較低的應用場景，可以通過調整分類閾值來平衡敏感性和特異性。
使用更全面的評估指標: 例如，使用 F1 分數、ROC 曲線下面積 (AUC) 等指標來更全面地評估模型的性能。

其他方面:

結合臨床信息: 將呼吸音分析結果與患者的臨床信息（例如病史、症狀、體征等）結合起來，可以提高診斷的準確性。
開發輔助診斷系統: 人工智能系統應作為醫生的輔助工具，而不是替代醫生進行診斷。

如果可以利用人工智能分析呼吸音和其他生理信號，那麼在遠程醫療環境中診斷和監測呼吸系統疾病的未來會是什麼樣子？

如果人工智能可以有效分析呼吸音和其他生理信號，那麼在遠程醫療環境中診斷和監測呼吸系統疾病的未來將會迎來革命性的變化：

便捷的居家監測: 患者可以使用搭載人工智能算法的可穿戴設備或智能手機應用程序在家中自行記錄和分析呼吸音和其他生理信號，實時監測自身呼吸系統健康狀況，及早發現異常。

個性化的疾病管理: 通過分析患者的長期數據，人工智能可以幫助醫生制定個性化的疾病管理方案，例如調整藥物劑量、提供呼吸訓練指導等。

高效的遠程診斷: 患者可以將記錄的呼吸音和其他生理信號數據傳輸給醫生，醫生可以遠程進行診斷，避免患者舟車勞頓，提高診斷效率。

精準的風險預測: 通過分析患者的歷史數據和人群數據，人工智能可以幫助醫生預測患者患呼吸系統疾病的風險，提前採取預防措施。

優質的醫療資源共享: 人工智能可以幫助醫生更好地管理和利用醫療資源，例如將疑難病例轉診給專家，提高診斷和治療水平。
總之，人工智能在呼吸音和其他生理信號分析方面的應用將會為遠程醫療帶來前所未有的機遇，使醫療服務更加便捷、高效、精準和個性化，造福廣大患者。