听诊器引导的监督对比学习在呼吸音分类中的跨域适应

尽管深度学习技术取得了显著进展，但在肺音分类中实现令人满意的效果仍然面临挑战，主要原因是可用数据的稀缺。此外，呼吸音样本来自多种电子听诊器，这可能会在训练模型中引入偏差。当测试数据集或实际应用中的分布发生显著变化时，模型性能会大幅下降。为了解决这一问题，我们引入了跨域适应技术，该技术可以将知识从源域转移到不同的目标域。具体而言，我们将不同类型的听诊器视为独立的域，并提出了一种新的听诊器引导的监督对比学习方法。该方法可以减轻与域相关的差异，从而使得模型能够区分不同听诊器记录下的呼吸音变化。实验结果表明，在ICBHI数据集上，所提出的方法在减少域依赖性方面效果显著，并且ICBHI评分达到了61.71%，比基线方法提高了2.16%。