Towards Enhanced Classification of Abnormal Lung sound in Multi-breath: A Light Weight Multi-label and Multi-head Attention Classification Method

要約

本研究の目的は、異常な肺呼吸音を分類するための補助診断システムを開発し、革新的なマルチラベル学習アプローチとマルチヘッド・アテンション・メカニズムを通じて異常な呼吸音自動分類の精度を高めることです。
既存の呼吸音データセットにおけるクラスの不均衡と多様性の欠如の問題に対処するために、私たちの研究では、複数の呼吸音特性を表すために 2 次元ラベルセットを使用する、軽量で高精度のモデルを採用しています。
私たちの手法は、ICBHI2017 データセットの 4 カテゴリーのタスクで 59.2% の ICBHI スコアを達成し、軽量かつ高精度の点でその利点を実証しました。
この研究は、肺の呼吸音異常の自動診断の精度を向上させるだけでなく、臨床応用の新たな可能性を切り開きます。

要約(オリジナル)

This study aims to develop an auxiliary diagnostic system for classifying abnormal lung respiratory sounds, enhancing the accuracy of automatic abnormal breath sound classification through an innovative multi-label learning approach and multi-head attention mechanism. Addressing the issue of class imbalance and lack of diversity in existing respiratory sound datasets, our study employs a lightweight and highly accurate model, using a two-dimensional label set to represent multiple respiratory sound characteristics. Our method achieved a 59.2% ICBHI score in the four-category task on the ICBHI2017 dataset, demonstrating its advantages in terms of lightweight and high accuracy. This study not only improves the accuracy of automatic diagnosis of lung respiratory sound abnormalities but also opens new possibilities for clinical applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google