[논문 리뷰] An Update on a Progressively Expanded Database for Automated Lung Sound Analysis

Fu-Shun Hsu, Shang-Ran Huang외 6명|arXiv (Cornell University)|2021. 02. 08.

Phonocardiography and Auscultation Techniques참고 문헌 12인용 수 4

한 줄 요약

이 논문은 HF_Lung_V1 대비 1.45배 더 많은 오디오 파일을 포함한 확장된 오픈 액세스 폐소리 데이터베이스인 HF_Lung_V2를 제안한다. 이는 흡기, 호기, 연속성 소리(CAS), 비연속성 부록성 소리(DAS) 감지를 위한 딥러닝 모델의 성능 향상에 기여한다. 흡기, 호기 및 CAS 감지 성능 향상에도 불구하고, DAS 감지 성능은 레이블 품질과 소리 겹침 문제로 인해 여전히 제한되어 있으며, 이는 정교한 레이블링과 겹침 완화 전략의 필요성을 시사한다.

ABSTRACT

Purpose: We previously established an open-access lung sound database, HF_Lung_V1, and developed deep learning models for inhalation, exhalation, continuous adventitious sound (CAS), and discontinuous adventitious sound (DAS) detection. The amount of data used for training contributes to model accuracy. Herein, we collected larger quantities of data to further improve model performance. Moreover, the issues of noisy labels and sound overlapping were explored. Methods: HF_Lung_V1 was expanded to HF_Lung_V2 with a 1.45x increase in the number of audio files. Convolutional neural network-bidirectional gated recurrent unit network models were trained separately using the HF_Lung_V1 (V1_Train) and HF_Lung_V2 (V2_Train) training sets and then tested using the HF_Lung_V1 (V1_Test) and HF_Lung_V2 (V2_Test) test sets, respectively. Segment and event detection performance was evaluated using the F1 scores. Label quality was assessed. Moreover, the overlap ratios between inhalation, exhalation, CAS, and DAS labels were computed. Results: The model trained using V2_Train exhibited improved F1 scores in inhalation, exhalation, and CAS detection on both V1_Test and V2_Test but not in DAS detection. Poor CAS detection was attributed to the quality of CAS labels. DAS detection was strongly influenced by the overlapping of DAS labels with inhalation and exhalation labels. Conclusion: Collecting greater quantities of lung sound data is vital for developing more accurate lung sound analysis models. To build real ground-truth labels, the labels must be reworked; this process is ongoing. Furthermore, a method for addressing the sound overlapping problem in DAS detection must be formulated.

연구 동기 및 목표

• HF_Lung_V1 데이터베이스를 더 많은 오디오 데이터로 확장하여 자동 폐소리 분석 정확도를 향상시키는 것.
• 더 많은 학습 데이터가 폐소리 분할 및 사건 감지에 대한 딥러닝 모델 성능에 미치는 영향을 평가하는 것.
• 레이블 품질과 소리 겹침 문제로 인해 지속적으로 영향을 받는 DAS 감지에 대한 도전 과제를 특정하고 해결책을 모색하는 것.
• 향후 연구를 위한 기반을 마련하기 위해 점차 확장되는, 오픈 액세스 폐소리 데이터베이스를 제공함으로써 데이터 품질과 확장성 향상을 도모하는 것.

제안 방법

• HF_Lung_V1 데이터베이스를 체계적인 데이터 수집을 통해 1.45배 더 많은 오디오 파일로 확장하여 HF_Lung_V2로 발전시켰다.
• CNN-BGRU(Convolutional neural network–bidirectional gated recurrent unit) 모델을 HF_Lung_V1(V1_Train) 및 HF_Lung_V2(V2_Train) 데이터셋에 별도로 학습시켰다.
• 일반화 능력과 성능 향상을 평가하기 위해 F1 스코어를 사용하여 두 테스트 세트(HF_Lung_V1: V1_Test 및 HF_Lung_V2: V2_Test)에서 모델 성능을 평가하였다.
• 특히 CAS 감지 성능에 영향을 미치는 노이즈가 많은 레이블을 특정하기 위해 레이블 품질을 평가하였다.
• 흡기, 호기, CAS, DAS 레이블 간의 겹침 비율을 계산하여 시간적 이격 문제를 정량화하였다.
• 데이터 양과 레이블 품질, 겹침이 모델 성능에 미치는 영향을 분리하여 평가하기 위해 비교 평가 프레임워크를 도입하였다.

실험 결과

연구 질문

• RQ1 폐소리 데이터베이스의 크기를 증가시키는 것이 흡기, 호기, CAS 및 DAS 감지에 대한 딥러닝 모델 성능에 어떤 영향을 미치는가?
• RQ2 특히 CAS 애너테이션에서 발생하는 레이블 품질 문제로 인해 모델의 감지 정확도가 얼마나 영향을 받는가?
• RQ3 DAS 레이블이 흡기 및 호기 레이블과 겹칠 경우 DAS 감지 성능에 어떤 영향을 미치는가?
• RQ4 더 큰 학습 데이터 세트가 레이블 품질이 열 劣하거나 겹침 문제가 있는 폐소리 분석에서 성능을 보완할 수 있는가?
• RQ5 현재 자동 폐소리 분석의 주요 병목 현상은 무엇이며, 데이터 및 모델 개선을 통해 이를 어떻게 해결할 수 있는가?

주요 결과

• HF_Lung_V2(V2_Train)에서 학습된 모델은 V1_Test 및 V2_Test 세트에서 흡기, 호기 및 CAS 감지에 대해 V1_Train 모델보다 높은 F1 스코어를 기록하였다.
• DAS 감지 성능은 확장된 데이터셋에도 불구하고 향상되지 않았으며, 이는 데이터 양만으로는 근본적인 데이터 품질 문제를 해결할 수 없음을 시사한다.
• 낮은 품질 또는 노이즈가 많은 CAS 애너테이션 레이블이 CAS 감지 성능 저하의 직접적인 원인로 규명되었으며, 이는 더 많은 학습 데이터에도 불구하고 모델 성능에 제한을 초래하였다.
• DAS 감지 성능은 흡기 및 호기 레이블과의 겹침으로 인해 심각하게 저하되었으며, 이는 시간적 이격이 주요 혼란 요인임을 시사한다.
• 본 연구는 데이터 양 증가가 레이블 품질과 시간적 정렬 문제가 해결된 경우에만 성능 향상에 기여함을 확인하였으며, 이는 정확한 지표 레이블 재작업의 필요성을 강조한다.
• 저자들은 향후 성과 향상을 위해서는 단순히 더 큰 데이터셋을 확보하는 것 외에도 레이블링 프로토콜 개선과 DAS 감지에서의 소리 겹침 문제 해결 방법이 필요하다고 결론 내린다.