[论文解读] Deep Neural Network Based Respiratory Pathology Classification Using Cough Sounds

B T Balamurali, Hwan Ing Hee+6 more|arXiv (Cornell University)|Jun 23, 2021

Respiratory and Cough-Related Research参考文献 35被引用 4

一句话总结

本研究提出一种基于双向长短期记忆网络（BiLSTM）的深度学习模型，利用梅尔频率倒谱系数（MFCCs）对咳嗽声音进行分类，以区分健康状态与哮喘、上呼吸道感染（URTI）和下呼吸道感染（LRTI）等病理状态。该模型基于真实世界智能手机采集的、经临床医生确认标签的数据集进行训练，在聚合每位受试者多个咳嗽样本后，准确率超过91%，展现出在移动设备上进行呼吸系统筛查的强大潜力。

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.

研究动机与目标

• 开发一种基于深度学习的自动化系统，利用真实世界音频数据对咳嗽声音进行健康或呼吸道病理状态的分类。
• 评估基于MFCC特征训练的BiLSTM模型在区分儿童健康与病理咳嗽方面的性能。
• 探究使用智能手机采集的咳嗽录音进行呼吸系统病理临床筛查的可行性。
• 评估模型在区分多种特定病理状态（哮喘、URTI、LRTI）方面的能力，并识别多类别分类中的局限性。
• 分析病理咳嗽与恢复期咳嗽在MFCC特征空间中的纵向变化，以理解特征在不同状态下的稳定性。

提出的方法

• 在真实医院环境中，使用智能手机采集儿童咳嗽声音，获得经临床医生确认诊断的新数据集。
• 从原始咳嗽音频信号中提取梅尔频率倒谱系数（MFCCs）作为声学特征。
• 使用MFCC特征训练双向长短期记忆网络（BiLSTM）神经网络，将咳嗽分类为两类：健康与病理。
• 在多类别分类中，模型被训练以区分四种类别：健康、哮喘、URTI和LRTI。
• 对每位受试者的多个咳嗽段进行多数投票，以提高预测可靠性并减少单一样本变异带来的噪声。
• 对MFCC特征空间进行纵向分析，比较同一受试者在病理状态与恢复期的咳嗽特征。

实验结果

研究问题

• RQ1 基于MFCC特征与BiLSTM架构的深度学习模型，能否利用真实世界智能手机录音准确分类咳嗽声音为健康或病理状态？
• RQ2 在区分一般病理（健康 vs. 任何病理）与特定病理（哮喘、URTI、LRTI）时，分类准确率如何变化？
• RQ3 将每位受试者的多个咳嗽样本预测结果合并后，对整体分类性能有何影响？
• RQ4 为何在区分全部四种类别的咳嗽时，多类别分类准确率下降？误分类中是否存在可识别的模式？
• RQ5 不同病因导致的病理咳嗽在MFCC特征空间中重叠区域的程度如何？

主要发现

• 当使用单个咳嗽样本进行训练时，BiLSTM模型在将咳嗽分类为健康或病理状态（总体或特定病理）方面，准确率超过84%。
• 当通过多数投票聚合每位受试者多个咳嗽段的预测结果后，对三种特定病理（哮喘、URTI、LRTI）的分类准确率均超过91%。
• 在四分类任务（健康、哮喘、URTI、LRTI）中，整体准确率下降，且病理类别之间常被相互误分类。
• 然而，在更宽泛的二分类任务（健康 vs. 任何病理）中，整体准确率仍保持在84%以上，表明模型在检测疾病存在方面具有稳健性。
• 纵向分析显示，不同病因导致的病理咳嗽（哮喘、URTI、LRTI）在MFCC特征空间中占据相似区域，解释了仅依靠MFCCs难以区分这些类型的原因。
• 本研究证实，基于智能手机的咳嗽录音在临床筛查中具有可行性，并支持开发用于早期呼吸系统疾病检测的移动健康应用。