CycleGuardian: Ein Framework zur automatischen Klassifikation von Atmungssignalen basierend auf verbesserter Deep Clustering und Contrastive Learning

Die Auskultation spielt eine entscheidende Rolle bei der frühen Diagnose von Atemwegs- und Lungenkrankheiten. Trotz des Aufkommens von tiefen Lernverfahren zur automatischen Klassifikation von Atemgeräuschen nach der Covid-19-Pandemie werden die Leistungssteigerungen durch begrenzte Datensätze behindert. Die Unterscheidung zwischen normalen und abnormalen Atemgeräuschen ist herausfordernd, da sowohl normale Atemkomponenten als auch Störsignale in beiden Kategorien gleichzeitig vorhanden sind. Zudem weisen verschiedene abnorme Atemgeräusche ähnliche anomale Merkmale auf, was ihre Differenzierung erschwert. Darüber hinaus leiden bestehende State-of-the-Art-Modelle unter einer übermäßigen Parameteranzahl, was ihre Implementierung auf ressourcenbeschränkten mobilen Plattformen erschwert. Um diese Herausforderungen zu bewältigen, entwerfen wir ein leichtgewichtiges Netzwerk namens CycleGuardian und schlagen einen Rahmen basierend auf einer verbesserten tiefen Clustering- und Kontrastlernmethode vor. Zunächst generieren wir ein hybrides Spektrogramm zur Förderung der Merkmalsvielfalt und gruppieren Spektrogramme, um intermittierende abnorme Geräusche besser zu erfassen. Anschließend integriert CycleGuardian einen tiefen Clustering-Modul mit einem similarity-constrained Clustering-Element zur Verbesserung der Fähigkeit, abnorme Merkmale zu erfassen, sowie einen Kontrastlernmodul mit Gruppenmischung zur verbesserten Unterscheidung abnormer Merkmale. Eine mehrzieloptimierte Trainingsstrategie erhöht die Gesamtleistung. In Experimenten nutzen wir die ICBHI2017-Datensammlung unter Verwendung der offiziellen Aufteilungsmethode und ohne vorab trainierte Gewichte. Unser Ansatz erreicht eine Spezifität (Sp) von 82,06 %, eine Sensitivität (Se) von 44,47 % und eine Score-Wert von 63,26 % bei einem Netzwerkmodell mit einer Größe von 38 M. Im Vergleich zu aktuellen Modellen erzielt unsere Methode eine Verbesserung um fast 7 % und erreicht damit die derzeit besten Ergebnisse. Zusätzlich demonstrieren wir die Implementierung des Netzwerks auf Android-Geräten und präsentieren ein umfassendes intelligentes System zur automatischen Atemgeräusch-Auskultation.