[논문 리뷰] Deep Neural Network Based Respiratory Pathology Classification Using Cough Sounds

B T Balamurali, Hwan Ing Hee외 6명|arXiv (Cornell University)|2021. 06. 23.

Respiratory and Cough-Related Research참고 문헌 35인용 수 4

한 줄 요약

이 연구는 실생활 스마트폰에서 수집한 데이터를 사용하여 Mel 주파수 해석 계수(MFCC)에 기반한 양방향 LSTM(BiLSTM) 딥러닝 모델을 제안하여 기침 소리를 건강한 상태 또는 병리적 호흡기 질환—천식, 상부 호흡기 감염(URTI), 하부 호흡기 감염(LRTI)—으로 분류한다. 임상의가 확인한 레이블이 있는 실생활 스마트폰 데이터셋으로 훈련된 모델은 환자당 여러 기침 샘플을 통합함으로써 91% 이상의 정확도를 달성하여 모바일 기반 호흡기 스크리닝의 강력한 잠재력을 보여준다.

ABSTRACT

Intelligent systems are transforming the world, as well as our healthcare system. We propose a deep learning-based cough sound classification model that can distinguish between children with healthy versus pathological coughs such as asthma, upper respiratory tract infection (URTI), and lower respiratory tract infection (LRTI). In order to train a deep neural network model, we collected a new dataset of cough sounds, labelled with clinician's diagnosis. The chosen model is a bidirectional long-short term memory network (BiLSTM) based on Mel Frequency Cepstral Coefficients (MFCCs) features. The resulting trained model when trained for classifying two classes of coughs -- healthy or pathology (in general or belonging to a specific respiratory pathology), reaches accuracy exceeding 84\% when classifying cough to the label provided by the physicians' diagnosis. In order to classify subject's respiratory pathology condition, results of multiple cough epochs per subject were combined. The resulting prediction accuracy exceeds 91\% for all three respiratory pathologies. However, when the model is trained to classify and discriminate among the four classes of coughs, overall accuracy dropped: one class of pathological coughs are often misclassified as other. However, if one consider the healthy cough classified as healthy and pathological cough classified to have some kind of pathologies, then the overall accuracy of four class model is above 84\%. A longitudinal study of MFCC feature space when comparing pathological and recovered coughs collected from the same subjects revealed the fact that pathological cough irrespective of the underlying conditions occupy the same feature space making it harder to differentiate only using MFCC features.

연구 동기 및 목표

• 실생활 음성 데이터를 사용하여 기침 소리를 건강 또는 병리적 호흡기 질환으로 자동으로 분류하는 딥러닝 기반 시스템을 개발한다.
• MFCC 특징에 기반한 BiLSTM 모델의 성능을 평가하여 어린이의 건강한 기침과 병리적 기침을 구분하는 데 목적이 있다.
• 스마트폰에서 수집한 기침 기록을 이용한 임상적 선별의 가능성을 조사한다.
• 모델이 여러 특정 병리(천식, URTI, LRTI)를 구분하고 다중 클래스 분류에서의 한계를 평가한다.
• 동일한 환자에서 병리적 기침과 회복기 기침 간의 MFCC 특징 공간에서의 종단적 변화를 분석하여 특징의 안정성에 대해 이해한다.

제안 방법

• 실병원 환경에서 스마트폰을 사용해 어린이의 기침 소리를 수집하고 임상의가 확인한 진단이 있는 신규 데이터셋을 구축했다.
• 원시 기침 음성 신호에서 Mel 주파수 해석 계수(MFCC)를 추출하여 음향적 특징으로 사용했다.
• 기침을 건강 또는 병리적 상태로 분류하기 위해 MFCC 특징에 기반한 양방향 장기 단기 기억(Long Short-Term Memory, BiLSTM) 신경망을 훈련시켰다.
• 다중 클래스 분류를 위해 모델은 건강, 천식, URTI, LRTI의 네 클래스를 구분하도록 훈련되었다.
• 한 명의 환자당 여러 기침 에포크의 예측 결과를 다수결 투표 방식으로 통합하여 예측 신뢰도를 향상시키고 단일 샘플의 변동성에 의한 노이즈를 줄였다.
• 동일한 환자에서 병리적 기침과 회복기 기침 간의 MFCC 특징 공간을 종단적으로 분석했다.

실험 결과

연구 질문

• RQ1 MFCC 특징과 BiLSTM 아키텍처를 사용한 딥러닝 모델이 실생활 스마트폰 기록을 활용해 기침 소리를 건강 또는 병리적 호흡기 질환으로 정확하게 분류할 수 있는가?
• RQ2 일반 병리(건강 대 비병리)와 특정 병리(천식, URTI, LRTI)를 구분할 때 분류 정확도는 어떻게 달라지는가?
• RQ3 환자당 여러 기침 샘플의 예측을 통합할 경우 전체 분류 성능에 어떤 영향을 미치는가?
• RQ4 네 가지 기침 유형(건강, 천식, URTI, LRTI)을 모두 구분하는 다중 클래스 분류에서 정확도가 떨어지는 이유는 무엇이며, 잘못 분류되는 패턴은 어떻게 나타나는가?
• RQ5 다른 기저 질환을 가진 병리적 기침이 MFCC 특징 공간에서 얼마나 겹치는 영역을 차지하는가?

주요 결과

• BiLSTM 모델은 개별 기침 샘플을 기반으로 훈련했을 때 기침을 건강 또는 병리적 상태로 분류하는 데 84% 이상의 정확도를 달성했다.
• 환자당 여러 기침 에포크의 예측 결과를 다수결 투표 방식으로 통합한 결과, 천식, URTI, LRTI의 세 가지 특정 병리에 대해 분류 정확도가 91%를 초과했다.
• 네 클래스 분류 작업(건강, 천식, URTI, LRTI)에서는 전체 정확도가 떨어졌으며, 병리적 클래스 간에 자주 상호 오분류되었다.
• 그러나 더 넓은 이진 분류 작업(건강 대 모든 병리)을 고려할 경우 전체 정확도는 84% 이상을 유지하여 병리 존재 여부를 탐지하는 데 있어 뛰어난 안정성을 보였다.
• 종단적 분석 결과, 천식, URTI, LRTI 등 다양한 병리적 기침이 MFCC 특징 공간에서 유사한 영역를 차지하고 있음을 확인하여, MFCC만으로는 이를 정확히 구분하기 어려운 이유를 설명할 수 있었다.
• 본 연구는 스마트폰 기반 기침 기록이 임상 선별에 실현 가능하며, 조기 호흡기 질환 탐지용 모바일 헬스 애플리케이션 개발을 뒷받침한다.