LungAttn: 이중 TQWT와 삼중 STFT 스펙트로그램을 활용한 주의 메커니즘을 통한 고급 폐음 분류

목적. 폐 소리 청진은 폐 질환의 조기 진단에서 중요한 역할을 한다. 본 연구는 의료진의 부담을 줄이기 위해 자동화된 비정상 폐 소리 탐지 방법을 개발하는 것을 목표로 한다.방법. 우리는 ResNet 블록에 증강된 어텐션 컨볼루션을 통합하여 폐 소리 분류 정확도를 향상시키는 딥러닝 아키텍처인 LungAttn을 제안한다. 또한, 이중 조정 가능한 Q-팩터 웨이블릿 변환과 삼중 단기 푸리에 변환을 기반으로 한 특징 추출 방법을 채택하여 다중 채널 스펙트로그램을 생성한다. 비정상 폐 소리 데이터의 불균형 문제를 해결하기 위해 Mixup 기법을 도입하여 데이터 증강을 수행한다.주요 결과. ICBHI 2017 챌린지 데이터셋을 기반으로 본 연구의 프레임워크를 구현하고 최신 기술들과 비교 분석하였다. 실험 결과, LungAttn은 민감도(Sensitivity, Se), 특이도(Specificity, Sp), 점수(Score) 각각 36.36%, 71.44%, 53.90%의 성능을 달성하였다. 특히 공식 ICBHI 2017 데이터셋 분할 방법에 기반한 최신 모델들과 비교하여 점수(Score)에서 1.69% 향상된 성과를 보였다.의의. 비정상 폐 소리의 다양한 진동 특성에 기반한 다중 채널 스펙트로그램은 폐 소리 기록에 필요한 정보를 제공한다. 어텐션 메커니즘을 폐 소리 분류 기법에 도입한 것은 효과적임이 입증되었다. 제안된 LungAttn 모델은 임상 현장에서 폐 소리 분류의 속도와 정확도 향상에 기여할 수 있는 잠재력을 지닌다.