UNE MÉTHODE D'AUGMENTATION DE DONNÉES BASÉE SUR LE TRANSFERT DE DOMAINES POUR LA CLASSIFICATION AUTOMATIQUE DE LA RESPIRATION

L’auscultation automatisée est devenue un sujet d’actualité croissante dans le domaine médical, tant pour le diagnostic que pour l’analyse prédictive. L’objectif de l’auscultation automatisée est d’améliorer la classification des sons respiratoires enregistrés par stéthoscope électronique. Les chercheurs ont consacré d’importants efforts au développement de méthodes d’auscultation intelligente afin d’optimiser la détection des sons et d’assister les cliniciens ; en particulier, les techniques basées sur les réseaux de neurones profonds (DNN) ont été largement exploitées ces dernières années. Toutefois, les performances des méthodes fondées sur les DNN sont fortement dépendantes des données disponibles. Malheureusement, même le plus grand jeu de données publique actuellement disponible sur les sons respiratoires, à savoir ICBHI, ne contient que 6 898 cycles respiratoires, soit une durée totale de seulement 5,5 heures, ce qui constitue un goulot d’étranglement pour l’amélioration ultérieure des modèles DNN. Ainsi, nous proposons une méthode d’augmentation de données pour la classification des sons respiratoires, intégrant des transformations d’entrée et des techniques de migration. Par ailleurs, le pipeline classique couramment utilisé dans le domaine de la vision par ordinateur a également été amélioré dans ce travail. Les résultats expérimentaux montrent que les méthodes d’augmentation de données proposées permettent d’améliorer significativement la performance de séparation par rapport aux méthodes de référence. En particulier, la méthode d’augmentation proposée peut être facilement intégrée dans les approches existantes d’auscultation automatisée.