通过时间自我注意和频段选择提高基于CNN的呼吸声分析效率.

科学领域:

• 医疗信息学 医疗信息学
• 信号处理 信号处理
• 人工智能的人工智能

背景情况:

• 自动化肺声分类需要捕捉局部光谱模式和远程时间依赖.
• 像CNN这样的传统模型在长距离依赖性方面扎,而变压器在实时应用中计算上昂贵.

研究的目的:

• 为实时肺声分析开发一个计算高效和有效的模型.
• 解决资源有限的医疗保健环境中现有模型的局限性.

主要方法:

• 一个基于CNN的轻量级临时自我注意 (CNN-TSA) 网络被提出.
• 集成了一种频段选择 (FBS) 策略,以消除无关频段.
• 该模型在SPRSound 2022数据集上进行了评估.

主要成果:

• 拟议的CNN-TSA网络与FBS取得了最先进的结果.
• 计算成本降低了50%,而不会影响性能.
• 这种方法证明了噪音弹性和通用性的增强.

结论:

• 高效的CNN-TSA框架可提供可靠的实时肺声分析.
• 这种方法对于资源有限的环境中的医疗保健应用是一个有前途的解决方案.
• 整合FBS可以提高模型的稳定性和效率.