基于CNN-MoE的呼吸异常分类及肺部疾病检测框架

本文提出并探索了一种用于听诊分析的稳健深度学习框架。该框架旨在通过呼吸声音记录，分类呼吸周期中的异常并检测疾病。框架首先进行前端特征提取，将输入声音转换为频谱图表示。随后，使用后端深度学习网络将频谱图特征分类为呼吸异常周期或疾病类别。在ICBHI呼吸声音基准数据集上的实验验证了该框架在呼吸声音分析方面的三大贡献。首先，我们广泛探讨了频谱图类型、时频分辨率、重叠/非重叠窗口及数据增强对最终预测准确率的影响。基于此，提出了一种新颖的深度学习系统，构建于该框架之上，性能优于当前最先进方法。最后，应用教师-学生策略实现模型性能与复杂度的权衡，为实时应用构建提供了良好前景。