通过人工噪声添加进行深度CNN异常呼吸音分类

呼吸音（RS）的属性及其分析构成肺部病理的一个基础部分，并提供有关患者肺部的症状信息。几十年前，医生通过普通听诊器依赖听力来识别肺音中的症状信号，这种方法通常被认为是一种廉价且安全的检查患者的方式。肺病是全球第三大致死原因，因此准确分类RS异常以降低死亡率是至关重要的。在这项研究中，我们应用傅里叶分析对异常呼吸音进行视觉检查。通过人工噪声添加（ANA）与不同的深度卷积神经网络（CNN）结合进行谱分析，以分类七种异常呼吸音——包括连续（CAS）和不连续（DAS）。所提出的框架包含一种向不健康呼吸音添加相似类型噪声的自适应机制。ANA使得声音特征能够足够被识别，比没有ANA的呼吸音更准确。使用所提出框架获得的结果优于先前的技术，因为我们同时考虑了七种不同类型的异常呼吸音。