Adversariales Feinjustieren unter Verwendung generierter Atemgeräusche zur Bewältigung von Klassenungleichgewichten

Tiefe generative Modelle sind als vielversprechender Ansatz im Bereich der medizinischen Bildgebung aufgetreten, um Datenknappheit zu bewältigen. Ihre Anwendung auf sequenzielle Daten wie Atemgeräusche ist jedoch weniger erforscht. In dieser Arbeit schlagen wir einen einfachen Ansatz vor, um unbalancierte Atemgeräuschdaten durch Verwendung eines Audio-Diffusionsmodells als bedingten neuronalen Vokoders zu erweitern. Wir demonstrieren zudem eine einfache und dennoch effektive adversarische Feinabstimmungsmethode, die die Merkmale zwischen synthetischen und realen Atemgeräuschproben ausrichtet, um die Klassifikationsleistung von Atemgeräuschen zu verbessern. Unsere experimentellen Ergebnisse am ICBHI-Datensatz zeigen, dass die vorgeschlagene adversarische Feinabstimmung effektiv ist, während die alleinige Verwendung konventioneller Erweiterungsmethoden eine Leistungsverschlechterung zur Folge hat. Darüber hinaus übertrifft unsere Methode das Baseline-Modell um 2,24 % im ICBHI-Score und verbessert die Genauigkeit der Minderheitsklassen bis zu 26,58 %. Zum Ergänzenden Material stellen wir den Code unter https://github.com/kaen2891/adversarial_fine-tuning_using_generated_respiratory_sound bereit.