RespireNet: 제한된 데이터 환경에서 비정상 폐소리를 정확하게 탐지하기 위한 딥 신경망

호흡음 청진은 폐 질환의 선별 및 진단을 위한 주요 도구이다. 디지털 스테스코프와 결합된 자동 분석 기술은 치명적인 폐 질환의 원격 스크리닝을 가능하게 하는 데 핵심적인 역할을 할 수 있다. 심층 신경망(DNN)은 이러한 문제에 매우 큰 잠재력을 보여주며, 당연히 가장 적합한 선택지로 여겨진다. 그러나 DNN은 데이터 양에 매우 민감하며, 현재 가장 큰 호흡 데이터셋인 ICBHI 데이터셋조차 6,898개의 호흡 사이클에 불과하여 만족스러운 DNN 모델을 학습시키기에 여전히 부족한 규모이다. 본 연구에서 제안하는 RespireNet은 간단한 CNN 기반 모델과 함께, 장치별 미세 조정(device-specific fine-tuning), 결합 기반 증강(concatenation-based augmentation), 빈 영역 자르기(blank region clipping), 스마트 패딩(smart padding) 등의 새로운 기법들을 제안하여, 작은 규모의 데이터셋을 효율적으로 활용할 수 있도록 한다. 우리는 ICBHI 데이터셋을 대상으로 광범위한 평가를 수행하였으며, 4개 클래스 분류에서 기존 최고 성능 기준보다 2.2% 향상된 결과를 달성하였다.