限制性合成采样用于增强裂纹肺声音

科学领域:

• 肺部医学 肺部医学
• 生物医学工程 生物医学工程
• 数据科学数据科学数据科学

背景情况:

• 裂是异常的肺部声音,表明气囊中的液体,通常与肺部疾病和死亡率增加有关,特别是在儿童中.
• 肺部声音数据中很少出现裂,这对自动诊断系统来说是一个重大的阶级失衡挑战.
• 准确检测和诊断裂对于患者的结果至关重要,需要改进机器学习模型的数据.

研究的目的:

• 通过开发有效的数据增强技术来解决裂纹检测中的类失衡问题.
• 提出一种新的裂特异性受约束合成采样 (CSS) 方法,以生成现实的裂肺声数据.
• 引入一个无关任务的验证框架,用于评估破碎声音的数据增强方法.

主要方法:

• 开发了一种特定于裂纹的受约束合成采样 (CSS) 增强技术.
• 在不同的投射物体空间中捕捉到裂纹的几何性质.
• 实施了一个任务不可知验证方法,评估合适度,多重分离性和统计距离.

主要成果:

• 拟议的CSS增强方法产生了与原始裂声音高度相似的合成裂样本.
• 在生成具有代表性的破碎数据方面,CSS优于其他增强技术.
• 验证方法有效评估了增强数据的质量和代表性.

结论:

• 约束合成采样 (CSS) 是增强破裂肺声数据的一个有前途的技术.
• 仔细考虑统计约束对于医疗信号处理中的有效数据增强至关重要.
• 开发的方法可以增强用于肺病理诊断的自动化系统的开发.