基于全局-局部声学融合与常数Q变换的多类呼吸系统疾病分类研究

《Engineering Science and Technology, an International Journal》:Multiclass respiratory disease classification using global local acoustic fusion and constant Q transform

【字体: 大 中 小 】 时间:2026年10月22日 来源:Engineering Science and Technology, an International Journal 5.1

编辑推荐:

  呼吸系统疾病的准确分类对于肺部疾病的早期评估和持续监测至关重要。喘鸣音(wheezes)和爆裂音(crackles)等异常听觉模式是潜在呼吸系统疾病的关键指标。然而,信号变异性、环境噪声和类别不平衡等挑战限制了可靠的自动化分析。本研究提出一种基于深度学习的无创

  
呼吸系统疾病的准确分类对于肺部疾病的早期评估和持续监测至关重要。喘鸣音(wheezes)和爆裂音(crackles)等异常听觉模式是潜在呼吸系统疾病的关键指标。然而,信号变异性、环境噪声和类别不平衡等挑战限制了可靠的自动化分析。本研究提出一种基于深度学习的无创框架,利用肺音录音进行多类呼吸系统疾病分类。研究采用两个仅包含肺音录音的公开数据集,即SPRSound 2024和HLS-CMDS。研究应用了包括重采样、静音去除、降噪、归一化、分段和数据增强在内的综合预处理流程,以提高信号质量和鲁棒性。研究提取了两种互补的声学表示——改进型梅尔频谱图(Improved Mel Spectrograms)和常数Q变换(Constant-Q Transform, CQT)——以捕获时域和谐波特征。特征融合通过所提出的全局-局部声学融合注意力模块(Global–Local Acoustic Fusion Attention Module, GLAFAM)实现,该模块整合了局部特征选择和全局通道注意力。融合特征由呼吸音网络(RespiratorySoundNet)进行分类,这是一种基于注意力的残差深度学习架构,采用混合通道-空间注意力(Hybrid Channel–Spatial Attention, HCSA)。该框架在SPRSound 2024上达到98.74%的准确率,在HLS-CMDS上达到98.54%的准确率,在这些基准数据集上展现出良好的性能。总体而言,结合GLAFAM的RespiratorySoundNet显示出作为多类呼吸音分类自动化方法的潜力。进一步的外部验证和实时部署研究仍需开展,以确立其泛化能力和临床适用性。
论文解读:基于全局-局部声学融合与常数Q变换的多类呼吸系统疾病分类研究
一、研究背景与问题
呼吸系统疾病是全球范围内影响生活质量和医疗系统的主要致病和致死因素之一,涵盖肺炎、间质性肺病等限制性疾病以及哮喘、慢性阻塞性肺疾病(COPD)等阻塞性疾病。环境与职业因素如空气污染、石棉暴露、吸烟和有害化学品进一步加重了全球呼吸系统疾病负担。疾病的早期准确诊断对于有效治疗至关重要,但传统诊断技术高度依赖临床经验和主观听诊,容易导致观察者间差异并延误干预。听诊可提供关于肺部问题和气道阻塞的重要信息,正常呼吸音柔软且音调低,而喘鸣音、啰音、爆裂音和鼾音等异常声音则提示气道病理改变。然而,由于异常声音的频率特征重叠、背景噪声存在以及记录条件不一致,人工判读这些声音常常十分困难。这推动了计算机辅助诊断(CAD)系统的发展,以自动分析肺音,帮助医疗专业人员客观有效地识别和分类呼吸系统疾病。
近年来,深度学习和数字听诊器技术的进步推动了肺部声音分析的变革。深度神经网络尤其是循环神经网络(RNN)和卷积神经网络(CNN)已成功建模呼吸音的时频动态,但RNN计算量大且对高维音频表示效果不佳,而基于CNN的架构常无法捕获长期时间关系。此外,现有模型往往依赖单一频谱表示或手工特征,限制其跨多种呼吸系统疾病的泛化能力。文献调研显示,现有方法存在多个研究空白:多数模型单独使用时域或频域表示,缺乏高效的多频谱融合机制;自适应注意力机制研究不足;噪声和不平衡数据集导致泛化能力差;部分混合框架依赖手工特征提取,难以用于实时或大规模部署;Transformer和循环模型虽试图捕获长期时间依赖,但计算成本高、架构复杂,限制实际部署。基于此,研究人员提出一种创新框架,将自适应全局-局部声学特征融合、注意力引导的通道-空间精炼和常数Q变换(CQT)表示统一集成到残差深度学习架构中。
二、研究内容与结论
本研究提出了一种基于深度学习的无创框架,用于利用肺音录音进行多类呼吸系统疾病分类。研究采用两个公开数据集SPRSound 2024和HLS-CMDS,其中SPRSound 2024包含六类临床意义显著的声音类别:喘鸣音(Wheeze)、喘鸣(Stridor)、鼾音(Rhonchi)、正常(Normal)、细爆裂音(Fine Crackle)和粗爆裂音(Coarse Crackle);HLS-CMDS数据集的肺音子集包含正常(Normal)、胸膜摩擦音(Pleural Rub)、鼾音(Rhonchi)、喘鸣音(Wheezing)、细爆裂音(Fine Crackles)和粗爆裂音(Coarse Crackles)六类。研究采用记录级分类策略,将每段完整音频录音作为一个分类样本。SPRSound 2024数据集采用官方预定义的训练、验证和测试划分,同时额外进行了患者独立评估以确保泛化能力;HLS-CMDS数据集采用70%/20%/10%的训练-验证-测试划分。实验结果表明,该框架在SPRSound 2024上达到98.74%的准确率,在HLS-CMDS上达到98.54%的准确率,展示了良好的分类性能。
三、关键技术方法
研究人员构建了完整的处理流程,主要包括以下关键技术环节。数据预处理方面,所有录音统一重采样至16 kHz,采用基于能量的静音检测去除无信息静音段,应用降噪技术抑制环境噪声,并进行归一化和分段处理;针对类别不平衡问题,仅在训练集上应用数据增强技术,包括音高偏移、时间拉伸和掩蔽等。特征提取方面,提取两种互补的时频表示:改进型梅尔频谱图(Improved Mel Spectrogram)用于捕获细粒度局部频谱特征,常数Q变换(CQT)用于捕获全局谐波特征。特征融合方面,提出全局-局部声学融合注意力模块(GLAFAM),通过特征选择模块(FSM)和增强型高效通道注意力(EECA)机制实现自适应融合。分类网络方面,提出RespiratorySoundNet,一种基于注意力的残差深度学习架构,集成混合通道-空间注意力(HCSA)机制,动态聚焦临床相关的呼吸音模式,同时减少背景干扰,并通过残差学习块确保深层特征传播和模型稳定性。
四、研究结果
数据集描述与分类策略。 SPRSound 2024数据集由高保真数字听诊器从不同临床环境采集,涵盖不同年龄、性别和病理状态的患者,记录位置包括前胸、后胸和侧胸区域,反映真实世界变异性,所有样本由经验丰富的肺科医生精心标注和验证。HLS-CMDS数据集是在临床和受控条件下使用数字听诊器采集的生物医学声学数据集,本研究仅选择肺音信号用于呼吸系统疾病分类。两个数据集均采用记录级分类策略,SPRSound 2024数据集额外进行了患者独立评估,确保同一患者的所有录音仅分配到一个子集。
预处理与特征提取。 预处理流程包括音频重采样至16 kHz以统一频率分辨率、基于能量检测的静音去除以消除无信息片段、噪声抑制以减少环境干扰、归一化和分段处理以标准化输入。数据增强技术如音高偏移、时间拉伸和掩蔽应用于训练集以增加数据多样性并提升模型泛化能力。特征提取阶段生成改进型梅尔频谱图和CQT两种互补表示,分别捕获局部频谱变化和全局谐波内容。
GLAFAM融合与RespiratorySoundNet分类。 GLAFAM模块通过特征选择模块和增强型高效通道注意力机制顺序执行特征选择和通道级重校准,实现改进型梅尔频谱图与CQT特征的自适应融合。RespiratorySoundNet采用混合通道-空间注意力机制和残差学习,捕获判别性频谱-时间特征并确保稳定优化。实验结果表明,该框架在SPRSound 2024上达到98.74%的准确率,在HLS-CMDS上达到98.54%的准确率,验证了方法的有效性和适应性。
五、讨论与结论
与现有依赖单一频谱表示、手工特征或计算密集型Transformer框架的研究相比,本研究所提出的RespiratorySoundNet集成GLAFAM模块,有效结合改进型梅尔频谱图和常数Q变换表示,同时捕获呼吸音的细粒度局部频谱特征和全局谐波依赖,在保持计算效率的同时实现多类呼吸系统疾病分类。混合通道-空间注意力和残差学习的集成增强了判别性特征提取能力。该框架在SPRSound 2024和HLS-CMDS两个基准数据集上展现出有竞争力的分类性能,证明了其作为多类呼吸音分类自动化方法的潜力。研究结论指出,进一步的外部验证和实时部署研究仍需开展,以确立该框架的泛化能力和临床适用性。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号