論文の概要: PC-MCL: Patient-Consistent Multi-Cycle Learning with multi-label bias correction for respiratory sound classification

• arxiv url: http://arxiv.org/abs/2601.17080v1
• Date: Fri, 23 Jan 2026 05:20:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:07.208387
• Title: PC-MCL: Patient-Consistent Multi-Cycle Learning with multi-label bias correction for respiratory sound classification
• Title（参考訳）: PC-MCL:マルチラベルバイアス補正による患者一貫性マルチサイクル学習による呼吸音分類
• Authors: Seung Gyu Jeong, Seong-Eun Kim,
• Abstract要約: そこで本研究では,PC-MCL(Patient-Consistent Multi-Cycle Learning)を提案する。 本研究は,呼吸音分類における多ラベル分布バイアスを解消する。 ICBHI 2017ベンチマークでは、PC-MCLはICBHIスコア65.37%を獲得し、既存のベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 5.254702845143088
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated respiratory sound classification supports the diagnosis of pulmonary diseases. However, many deep models still rely on cycle-level analysis and suffer from patient-specific overfitting. We propose PC-MCL (Patient-Consistent Multi-Cycle Learning) to address these limitations by utilizing three key components: multi-cycle concatenation, a 3-label formulation, and a patient-matching auxiliary task. Our work resolves a multi-label distributional bias in respiratory sound classification, a critical issue inherent to applying multi-cycle concatenation with the conventional 2-label formulation (crackle, wheeze). This bias manifests as a systematic loss of normal signal information when normal and abnormal cycles are combined. Our proposed 3-label formulation (normal, crackle, wheeze) corrects this by preserving information from all constituent cycles in mixed samples. Furthermore, the patient-matching auxiliary task acts as a multi-task regularizer, encouraging the model to learn more robust features and improving generalization. On the ICBHI 2017 benchmark, PC-MCL achieves an ICBHI Score of 65.37%, outperforming existing baselines. Ablation studies confirm that all three components are essential, working synergistically to improve the detection of abnormal respiratory events.
• Abstract（参考訳）: 自動呼吸音分類は肺疾患の診断を支援する。 しかし、多くのディープモデルは依然としてサイクルレベルの分析に依存しており、患者固有のオーバーフィッティングに悩まされている。 我々は,PC-MCL (Patient-Consistent Multi-Cycle Learning) を提案する。 本研究は, 従来の2ラベル定式化(クラックル, ホイーズ)と多サイクル連結の適用に固有の, 呼吸音分類における多ラベル分布バイアスを解消する。 このバイアスは、正常周期と異常周期を組み合わせると、通常の信号情報の体系的な損失として現れる。 提案する3つのラベルの定式化(通常, クラック, ホエーズ)は, 混合試料中の全ての成分サイクルからの情報を保存することによってこれを補正する。 さらに、患者マッチング補助タスクはマルチタスクレギュレータとして機能し、より堅牢な特徴を学習し、一般化を改善するようモデルに促す。 ICBHI 2017ベンチマークでは、PC-MCLはICBHIスコア65.37%を獲得し、既存のベースラインを上回っている。 アブレーション研究は、3つの成分がすべて必須であることを確認し、異常な呼吸現象の検出を改善するために相乗的に働く。

関連論文リスト

• Explainable Multi-Modal Deep Learning for Automatic Detection of Lung Diseases from Respiratory Audio Signals [0.49581497240446293]
  本研究では,呼吸音信号を用いた自動肺不全検出のためのマルチモーダル深層学習フレームワークを提案する。 このフレームワークにはGrad-CAM、Integrated Gradients、SHAPが含まれており、解釈可能なスペクトル、時間、特徴レベルの説明を生成する。 この結果は、遠隔医療、ポイント・オブ・ケアの診断、および実際の呼吸スクリーニングに対するフレームワークの可能性を示している。
  論文  参考訳（メタデータ） (2025-11-29T17:15:58Z)
• Heartcare Suite: Multi-dimensional Understanding of ECG with Raw Multi-lead Signal Modeling [50.58126509704037]
  医療スイート(Heartcare Suite)は、微細心電図(ECG)の理解のためのフレームワークである。 Heartcare-220Kは高品質で構造化され、包括的なマルチモーダルECGデータセットである。 Heartcare-Benchは、ECGシナリオにおける医療マルチモーダル大言語モデル(Med-MLLM)の最適化を導くためのベンチマークである。
  論文  参考訳（メタデータ） (2025-06-06T07:56:41Z)
• Q-PART: Quasi-Periodic Adaptive Regression with Test-time Training for Pediatric Left Ventricular Ejection Fraction Regression [45.69922532213079]
  適応型左室エジェクション・フラクション(LVEF)の評価の課題に対処する。 我々はtextbfTest-time Training (Q-PART) フレームワークを用いた textbfQuasi-textbfPeriodic textbfAdaptive textbfRegression を提案する。
  論文  参考訳（メタデータ） (2025-03-06T06:24:51Z)
• CycleGuardian: A Framework for Automatic RespiratorySound classification Based on Improved Deep clustering and Contrastive Learning [9.215130010602634]
  早期の呼吸器および肺疾患の診断において,聴診は重要な役割を担っている。 既存の最先端モデルは過剰なパラメータサイズに悩まされており、リソース制約のあるモバイルプラットフォームへのデプロイを妨げている。 改良されたディープクラスタリングとコントラスト学習に基づくフレームワークを提案する。 われわれはこのネットワークをAndroidデバイスに展開し、総合的なインテリジェントな呼吸音聴取システムを示す。
  論文  参考訳（メタデータ） (2025-02-02T09:56:47Z)
• Towards Enhanced Classification of Abnormal Lung sound in Multi-breath: A Light Weight Multi-label and Multi-head Attention Classification Method [0.0]
  本研究は, 肺の異常な呼吸音を分類するための補助診断システムを開発することを目的とする。 既存の呼吸音データセットにおけるクラス不均衡と多様性の欠如の問題に対処するため,本研究では軽量で高精度なモデルを用いた。
  論文  参考訳（メタデータ） (2024-07-15T15:40:02Z)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• MMA-RNN: A Multi-level Multi-task Attention-based Recurrent Neural Network for Discrimination and Localization of Atrial Fibrillation [1.8037893225125925]
  本稿では,多段階マルチタスク・アテンションに基づくリカレントニューラルネットワークを提案する。 このモデルは、情報インタラクションを強化し、エラーの蓄積を減らすためのエンドツーエンドフレームワークとして設計されている。
  論文  参考訳（メタデータ） (2023-02-07T19:59:55Z)
• Hierarchical Semi-Supervised Contrastive Learning for Contamination-Resistant Anomaly Detection [81.07346419422605]
  異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。 コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。 汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-24T18:49:26Z)
• Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase Classification Using EEG [56.155331323304]
  本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。 チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
  論文  参考訳（メタデータ） (2021-12-18T14:17:49Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。