arXiv cs.AI· Bahman Mirheidari, Yilin Pan, Daniel Blackburn, Ronan O'Malley, Traci Walker, Annalena Venneri, Markus Reuber, Heidi Christensen·· 10 小时前AI 评分22
利用生成网络进行数据增强以识别痴呆症
Data augmentation using generative networks to identify dementia
AI 导读
研究用生成模型对自动痴呆检测系统记录的语音与音频特征做数据增强，以缓解医疗场景训练数据不足的问题。变分自编码器将区分记忆门诊常见患者组的四分类器 F-score 从 58% 提升至约 74%，提升 16%。
正文 · AI 翻译
摘要：数据受限是训练医疗应用机器学习分类器时最常见的问题之一。由于伦理问题和数据隐私，此类实验能够招募的人数通常少于参与非医疗数据集的参与者人数。近期研究表明，生成模型可作为数据增强的有效方法，最终有助于在稀疏数据领域训练更稳健的分类器。多项研究已证明，这种数据增强技术适用于图像和音频数据集。本文研究了将类似方法应用于从自动痴呆检测系统记录的交互中提取的不同类型语音和音频特征。我们使用两个生成模型展示了生成的合成样本如何提升基于 DNN 的分类器的性能。变分自编码器将用于区分记忆门诊中典型患者组的四分类器的 F 分数从 58% 提升至约 74%，提高了 16%
| 主题： | 音频与语音处理 (eess.AS)；人工智能 (cs.AI)；计算与语言 (cs.CL)；机器学习 (cs.LG)；声音 (cs.SD) |
| 引用为： | arXiv:2004.05989 [eess.AS] |
| （或本版本的 arXiv:2004.05989v1 [eess.AS]） | |
| https://doi.org/10.48550/arXiv.2004.05989 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Bahman Mirheidari [查看电子邮件]
[v1]
2020 年 4 月 13 日星期一 15:05:24 UTC（438 KB）
来源：arXiv cs.AI · arxiv.org