任务空间域调整用于跨场景婴儿哭声检测.

科学领域:

• 生物医学工程 生物医学工程
• 机器学习 机器学习
• 婴儿健康监测 婴儿健康监测

背景情况:

• 婴儿哭泣检测对于护理和医学诊断至关重要.
• 由于各种部署数据分布,当前的模型面临性能问题.
• 需要在家庭和医院等不同环境中进行强大的哭声检测.

研究的目的:

• 开发一种有效的域适应方法,用于婴儿哭声检测.
• 在未标记的目标域 (例如医院) 中提高哭声检测模型性能,使用标记的源域 (例如家庭).
• 为了实现无监督的适应,用于哭声检测模型.

主要方法:

• 提出了一个任务空间域调整 (TSDA) 方法.
• 分解源域特征使用呼叫检测标签来识别与任务相关的特征.
• 利用对抗式学习与基于核规范的表示,用于无监督的目标领域适应.

主要成果:

• 与直接交叉数据集测试相比,TSDA的F1得分提高了约30%.
• 与现有的域调整方法相比,实现了1-12%的性能改进.
• 性能接近于对标记目标数据进行监督学习的性能.

结论:

• 在不同部署场景中,TSDA为改善婴儿哭声检测提供了有效的解决方案.
• 该方法促进了知识从标记到未标记的域的转移,而不需要目标域标签.
• 这项研究促进了婴儿哭声检测模型在各种临床和家庭环境中的实际应用.