스테토스코프 지도 하의 감독 대조적 학습을 이용한 호흡음 분류의 영역 간 적응

심층 학습 기술의 뛰어난 발전에도 불구하고, 폐음 분류에서 만족스러운 성능을 달성하는 것은 여전히 도전과제입니다. 이는 사용 가능한 데이터의 부족 때문입니다. 또한, 호흡음 샘플은 다양한 전자 청진기에서 수집되므로, 이로 인해 훈련된 모델에 편향이 발생할 가능성이 있습니다. 테스트 데이터셋이나 실제 상황에서 분포 차이가 크게 발생할 경우, 이는 성능을 크게 저하시킬 수 있습니다. 이러한 문제를 해결하기 위해, 우리는 소스 영역에서 다른 대상 영역으로 지식을 전송하는 크로스-도메인 적응 기술을 소개합니다. 특히, 다양한 청진기 유형을 개별 영역으로 간주하여 새로운 청진기 안내 감독 대조 학습 접근법(Stethoscope-guided Supervised Contrastive Learning Approach)을 제안합니다. 이 방법은 영역 관련 불균형을 완화시켜 청진기 녹음 변동에 따른 호흡음을 구분할 수 있도록 모델을 지원합니다. ICBHI 데이터셋에서의 실험 결과는 제안된 방법들이 도메인 의존성을 줄이는 데 효과적이며, ICBHI 점수 61.71%를 달성함으로써 기준 모델보다 2.16% 상당한 개선을 보였다는 것을 입증하였습니다.