RespireNet：一种在数据有限场景下准确检测异常肺部声音的深度神经网络

肺部呼吸音的听诊是筛查和诊断肺部疾病的主要手段。结合数字化听诊器的自动化分析技术，在实现致命性肺部疾病的远程筛查方面具有重要作用。深度神经网络（DNN）在该类问题中展现出巨大潜力，已成为显而易见的优选方案。然而，DNN对数据量要求极高，而目前最大的呼吸音数据集ICBHI仅包含6898个呼吸周期，这一规模对于训练性能优良的DNN模型而言仍显不足。在本研究中，我们提出了一种基于简单卷积神经网络（CNN）的模型——RespireNet，并配套引入一系列创新技术：设备特异性微调、基于拼接的增强方法、空白区域裁剪以及智能填充策略，从而高效利用小规模数据集。我们在ICBHI数据集上进行了全面评估，实现了4类分类任务的性能提升，较现有最优结果提高了2.2%。