【技术实现步骤摘要】
本专利技术涉及呼吸音分类识别，特别是涉及一种用于呼吸音分类模型训练的多域协同自监督学习方法。
技术介绍
1、采用智能电子听诊器采集呼吸音数据并进行自动分类，能够大幅提高呼吸系统疾病的临床诊断效率，有利于将医疗资源辐射至广大农村。但是，呼吸音信号微弱，容易受到各种非平稳噪声和伪迹的干扰，且波形多样，对分类模型的表征能力要求高。直接训练具有强表征能力的呼吸音分类模型需要大量的标注样本，在临床实践中往往无法获取。
2、针对该问题，各国前沿技术研发团队纷纷提出基于自监督学习的呼吸音分类模型参数预训练方法。但现有的自监督学习工作一部分直接在时域开展，利用大规模音频数据集预训练sincnet、pase、wav2vec 2.0等音频特征提取模型；另一部分通过随机掩码样本增强或者利用临床信息构建样本对，在时频域学习呼吸音梅尔倒谱潜在的特征表示。然而，它们都属于单一变换域的自监督学习，受限于时间分辨率和频率分辨率的相互制约关系，无法充分表征呼吸音数据潜在的多尺度时频关联信息，比如：与时频域比较，时域信号的时间分辨率高，频率分辨率低，在时域进行...
【技术保护点】
1.一种用于呼吸音分类模型训练的多域协同自监督学习方法，其特征在于，包括：
2.根据权利要求1所述的用于呼吸音分类模型训练的多域协同自监督学习方法，其特征在于，所述准备呼吸音数据集，具体包括：
3.根据权利要求1所述的用于呼吸音分类模型训练的多域协同自监督学习方法，其特征在于，对所述呼吸音数据集进行预处理，得到预处理后的辅助数据集和目标数据集，具体包括：
4.根据权利要求1所述的用于呼吸音分类模型训练的多域协同自监督学习方法，其特征在于，所述加法器的数量为3个，分别为第一加法器、第二加法器和第三加法器；所述松弛注意力特征融合子网的分...
【技术特征摘要】
1.一种用于呼吸音分类模型训练的多域协同自监督学习方法，其特征在于，包括：
2.根据权利要求1所述的用于呼吸音分类模型训练的多域协同自监督学习方法，其特征在于，所述准备呼吸音数据集，具体包括：
3.根据权利要求1所述的用于呼吸音分类模型训练的多域协同自监督学习方法，其特征在于，对所述呼吸音数据集进行预处理，得到预处理后的辅助数据集和目标数据集，具体包括：
4.根据权利要求1所述的用于呼吸音分类模型训练的多域协同自监督学习方法，其特征在于，所述加法器的数量为3个，分别为第一加法器、第二加法器和第三加法器；所述松弛注意力特征融合子网的分支结构，具体包括：第一卷积层、第一归一化层、relu激活层、第二卷积层、第二归一化层和乘法器；所述第一加法器、所述第一卷积层、所述第一归一化层、所述relu激活层、所述第二加法器、所述第二卷积层、所述第二归一化层、所述乘法器和所述第三加法器依次连接；所述乘法器还与所述第一加...
【专利技术属性】
技术研发人员：李伟业，吕俊，蔡瑞涵，陈庆端，刘兴涛，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。