Apprentissage contrastif supervisé guidé par le stéthoscope pour l'adaptation transdomaine dans la classification des sons respiratoires

Malgré les avancées remarquables dans la technologie de l'apprentissage profond, atteindre des performances satisfaisantes dans la classification des sons pulmonaires reste un défi en raison de la rareté des données disponibles. De plus, les échantillons de sons respiratoires sont collectés à partir d'une variété d'auscultateurs électroniques, ce qui pourrait potentiellement introduire des biais dans les modèles entraînés. Lorsqu'un changement significatif de distribution se produit dans l'ensemble de test ou dans un scénario pratique, cela peut considérablement diminuer les performances. Pour résoudre ce problème, nous introduisons des techniques d'adaptation inter-domaines, qui transfèrent les connaissances d'un domaine source vers un domaine cible distinct. En particulier, en considérant différents types d'auscultateurs comme des domaines individuels, nous proposons une nouvelle approche d'apprentissage supervisé contrastif guidée par l'auscultateur. Cette méthode peut atténuer les disparités liées aux domaines et permet ainsi au modèle de distinguer les sons respiratoires malgré les variations d'enregistrement dues à l'auscultateur. Les résultats expérimentaux sur le jeu de données ICBHI montrent que les méthodes proposées sont efficaces pour réduire la dépendance aux domaines et atteindre un score ICBHI de 61,71 %, soit une amélioration significative de 2,16 % par rapport à la ligne de base.