arXiv cs.AI· Yi Tian, Xiaohuan Chen, Yufei tang, Xinyu Lin, Hongliang Li, Chengbin Hou, Degen Huang, Rongshan Yu·· 3 天前AI 评分22
RespFocus：用多实例学习为弱监督呼吸音分类提供可检验的时间证据
RespFocus: Learning Temporal Evidence for Weakly Supervised Respiratory Sound Classification
AI 导读
RespFocus 是一个基于多实例学习（MIL）的弱监督框架，从周期级标签中学习可检验的时间声学证据并融入分类，在公开 ICBHI 2017 上取得四分类 Score 69.55%，在新建的多中心儿科呼吸音队列 PedResp2026 上取得 72.91%。PedResp2026 采集自常规临床环境，带有经裁定的周期级标注。证据诊断与匹配的时间干预实验支持所学证据对模型预测的功能性贡献。
正文 · AI 翻译
摘要：呼吸听诊提供了一种低成本评估肺功能的方法，但短暂的湿啰音和持续的哮鸣音在嘈杂的临床录音中难以识别。传统的深度学习分类器通常作为黑箱运行，对其预测所依据的时间声学证据提供的洞察有限。我们提出了 RespFocus，一个弱监督框架，使用多实例学习（MIL）从周期级标签中学习可检查的时间证据，并将其整合到分类中。我们还介绍了 PedResp2026，一个在常规临床环境中收集的多中心儿科呼吸音队列，具有经裁定的周期级标注。在分类实验中，RespFocus 在公开的 ICBHI 2017 上实现了四类得分 69.55\%，在 PedResp2026 上实现了 72.91\%。证据诊断和匹配的时间干预支持所学证据对模型预测的功能性贡献。总之，这些发现凸显了 RespFocus 作为自动化呼吸音诊断工具的潜力。
| 评论： | 9 页，5 幅图，2 张表 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.15702 [cs.LG] |
| （或 arXiv:2610.15702v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.15702 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Hongliang Li [查看电子邮件]
[v1]
2026 年 10 月 11 日星期日 15:37:56 UTC（3,947 KB）
来源：arXiv cs.AI · arxiv.org