CycleGuardian：一种基于改进深度聚类与对比学习的自动呼吸音分类框架

听诊在呼吸系统及肺部疾病的早期诊断中发挥着关键作用。尽管新冠疫情后涌现出基于深度学习的自动呼吸音分类方法，但受限于可用数据集规模较小，模型性能提升受到制约。由于正常呼吸音与异常呼吸音中均混杂着正常呼吸成分与噪声成分，因此在二者之间进行区分面临挑战；此外，不同类型的异常呼吸音往往具有相似的异常特征，进一步增加了分类难度。同时，现有先进模型普遍参数量过大，难以在资源受限的移动设备上部署。为应对上述问题，本文提出一种轻量级网络结构CycleGuardian，并构建了一种基于改进深度聚类与对比学习的框架。首先，通过生成混合频谱图以增强特征多样性，并对频谱图进行分组处理，以更有效地捕捉间歇性异常呼吸音。随后，CycleGuardian将深度聚类模块与相似性约束聚类组件相结合，提升对异常特征的捕捉能力；同时引入对比学习模块并结合组间混合策略，进一步增强对异常特征的辨别能力。多目标优化机制在训练过程中有效提升了整体性能。在实验中，我们采用ICBHI2017数据集，严格遵循官方划分方式，且未使用任何预训练权重。所提方法在该数据集上取得了82.06%的特异性（Sp）、44.47%的敏感性（Se）以及63.26%的综合评分（Score），模型参数量仅为38M。相较于当前最优模型，性能提升近7%，达到了当前最佳水平。此外，我们已将该网络成功部署于Android移动设备，构建了一个完整的智能呼吸音听诊系统，展现出良好的实际应用潜力。