通过自我注意和自我监督的预训练来提高肠道声音的识别能力

科学领域:

• 医疗信号处理 医疗信号处理
• 医疗保健中的人工智能
• 胃肠病学 胃肠病学

背景情况:

• 肠道声音是胃肠道功能和健康的关键指标.
• 目前用于肠道声音分析的手动听觉是主观的,耗时的,劳动密集的.
• 需要客观,自动化和非侵入性方法来评估GI状况.

研究的目的:

• 开发和验证一种基于深度学习的新方法,用于自动化肠道声音识别.
• 提高临床应用的肠声分析的准确性和效率.
• 为了解决手工听觉在诊断和监测胃肠道疾病方面的局限性.

主要方法:

• 实现了Branchformer架构,利用自我注意和卷积门来进行特征提取.
• 在广泛的未标记音频数据上应用自主监督的预培训策略,用于一般的声音表示学习.
• 在特定的肠道声音数据集上微调模型,以便以任务为导向的识别.
• 并行处理自我注意和卷积式门式多层感知器分支以捕获音频信号依赖性.

主要成果:

• 拟议的深度学习方法与现有的基线模型相比,显示出更高的识别性能.
• 自主监督的预培训策略被证明是有效的,特别是在数据有限的场景中.
• 支部构造架构成功地捕获了肠道声音音频信号中的复杂模式.
• 在公共数据集上的实验验证证证了该模型的有效性.

结论:

• 开发的深度学习方法为临床肠道声音监测提供了高效和自动化的解决方案.
• 这种方法促进了早期诊断和改善了胃肠道疾病的治疗策略.
• 分支器和自我监督学习的整合代表了医疗音频信号分析的重大进步.