在小语音数据集中对失声症评估的量子方法
概括
基于量子的量子卷积神经网络 (QNN) 在与传统卷积神经网络 (CNN) 相比,在对听障症的分类方面表现优越,特别是在有限的数据的情况下.
科学领域:
- 医疗信号处理 医疗信号处理
- 量子机器学习就是量子机器学习.
背景情况:
- 失声症的特点是语音障碍,需要准确的诊断工具.
- 机器学习,特别是卷积神经网络 (CNN),显示出对音频分类的希望,但在有限的数据集上扎.
- 基于量子的方法为数据稀缺的场景提供了潜在的解决方案.
研究的目的:
- 为了比较标准CNN,随机非线性层 (RANDOM模型) 的CNN和混合量子-经典量子演变神经网络 (QNN) 对于听障评估的有效性.
- 用有限的音频语音数据来评估模型性能.
主要方法:
- 音频数据预处理成Mel光谱图 (243个训练,61个测试样本).
- 开发了六种模型:两个CNN,两个RANDOM模型和两个QNN,以及增强版本.
- 在QNN量子演变层中使用了角度编码,用于复杂的特征表示.
主要成果:
- 在分类准确度 (82.22%89.26%) 和融合速度方面,QNN模型始终优于CNN模型.
- 混合量子-经典方法在有限的数据中显示出强度.
结论:
- 量子进化神经网络 (QNN) 为医学数据分类提供了一个有希望的,高性能的替代方案,特别是在像听障症这样的疾病中.
- 基于量子的机器学习可以在数据有限的临床环境中增强诊断能力.
