論文の概要: CoughSense: Five-Class Respiratory Disease Classification via Whisper Encoder Fine-Tuning and Dual-Encoder Cross-Attention Fusion with Balanced Contrastive Learning

• arxiv url: http://arxiv.org/abs/2606.02998v1
• Date: Tue, 02 Jun 2026 01:13:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:04.672089
• Title: CoughSense: Five-Class Respiratory Disease Classification via Whisper Encoder Fine-Tuning and Dual-Encoder Cross-Attention Fusion with Balanced Contrastive Learning
• Title（参考訳）: CoughSense:Whisper Encoder Fine-Tuning and Dual Encoder Cross-Attention Fusion with Balanced Contrastive Learning
• Authors: Nikhil Vincent,
• Abstract要約: CoughSenseは5つのクラスに分類するシステムである。 これらは健康、新型コロナウイルス、喘息または呼吸器状態、気管支炎、肺炎である。 We used the OpenAI Whisper encoder as a pretrained backbone for cough disease classification。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated cough analysis offers a path to low-cost respiratory screening, but most existing work stops at binary COVID-19 detection. A practical tool needs to tell apart several respiratory conditions from one cough recording on a consumer smartphone. We present CoughSense, a system that sorts cough recordings into five classes. These are healthy, COVID-19, asthma or respiratory condition, bronchitis, and pneumonia. We aggregated 18,301 recordings from four public datasets (Coswara, CoughVID, Virufy, and the West China Hospital Pediatric Cough Dataset) and used the OpenAI Whisper encoder as a pretrained backbone for cough disease classification. The main contribution is active-frame QKV attention pooling, which restricts attention to the first 200 of 1500 encoder tokens. This avoids the silence-dilution problem that arises because a 3-second cough fills only 150 tokens of Whisper's 30-second input window. Other training parts handle the 19 to 1 class imbalance and the four-dataset domain shift. These include WeightedRandomSampler, SpecAugment, Balanced Mixup with forced minority pairing, a supervised contrastive auxiliary loss, FiLM symptom conditioning, and gradient-reversal domain adaptation. A dual-encoder model fuses Whisper with the OPERA-CT respiratory foundation model through cross-attention. CoughSense (Whisper-tiny, 8.6M parameters) reached 82.3 percent balanced accuracy on five-fold cross-validation (macro-F1 of 0.817, AUC of 0.941). It beat an ImageNet-pretrained EfficientNet-B2 by 11.1 points and a ViT trained from scratch by 29.6 points. All five classes passed 74 percent recall and four of five passed 80 percent. The dual-encoder model reached 85.4 percent balanced accuracy. Active-frame pooling is the largest single contributor across all ablation components at 5.1 points, which should help any short-audio task using Whisper as a backbone.
• Abstract（参考訳）: 自動コークス分析は、低コストの呼吸器スクリーニングへの道を提供するが、既存のほとんどの作業は、バイナリ新型コロナウイルス検出で停止する。 実用的ツールは、消費者のスマートフォンに記録された1つの生地から、いくつかの呼吸条件を区別する必要がある。 CoughSenseは5つのクラスに分類するシステムである。 これらは健康、新型コロナウイルス、喘息または呼吸器状態、気管支炎、肺炎である。 我々は,4つの公開データセット(Coshara, CoughVID, Virufy, and the West China Hospital Pediatric Cough Dataset)から18,301の録音を収集し,OpenAI Whisperエンコーダをコークス病分類のための事前訓練バックボーンとして使用した。 主な貢献はアクティブフレームのQKVアテンションプールであり、1500エンコーダトークンの最初の200への注意を制限する。 これにより、Whisperの30秒入力ウィンドウのトークンがわずか150個しか満たされないため、サイレント希釈問題を回避することができる。 他のトレーニングパーツは、19から1クラスの不均衡と4つのデータセットドメインシフトを処理する。 その中には、WeightedRandomSampler, SpecAugment, Balanced Mixup with forced minority pairing, a supervised contrastive auxiliary loss, FiLM symptom conditioning, and gradient-reversal domain adaptationなどが含まれる。 二重エンコーダモデルがWhisperとOPERA-CT呼吸基盤モデルとを相互注意で融合させる。 CoughSense(Whisper-tiny, 8.6Mパラメータ)は5倍のクロスバリデーション(macro-F1, 0.817, AUC 0.941)で82.3%の精度に達した。 ImageNet-pretrained EfficientNet-B2を11.1ポイント、ViTを29.6ポイント上回った。 5つのクラスが74%をリコールし、5つのうち4つが80%を突破した。 デュアルエンコーダモデルは85.4%の精度に達した。 アクティブフレームプーリングは、すべてのアブレーションコンポーネントで5.1ポイントで最大のコントリビュータであり、Whisperをバックボーンとして使用するショートオーディオタスクに役立つだろう。

関連論文リスト

• The autoPET3 Challenge: Automated Lesion Segmentation in Whole-Body PET/CT $\unicode{x2013}$ Multitracer Multicenter Generalization [67.92281859568168]
  第3回オートPETチャレンジ(MICCAI 2024)の設計と成果を報告する。 全身PET/CTにおける自動病変分割を, 構成的一般化条件下でベンチマークした。 トップランクのアルゴリズムは平均DSCが0.66、FNVが3.18mL、FPVが2.78mLである。
  論文  参考訳（メタデータ） (2026-05-07T07:07:09Z)
• Sound Signal Synthesis with Auxiliary Classifier GAN, COVID-19 cough as an example [0.45866218969311584]
  本稿では,Auxiliary Classification GAN (ACGAN) を用いて, 健常者および新型コロナウイルス患者の新しいMel Spectrogramを条件付きで生成する方法について述べる。 この作業は、トレーニングにおける予想される混乱と不整合を強調し、そのような欠点を検出し、対処するための洞察を提供する。
  論文  参考訳（メタデータ） (2025-08-12T12:29:12Z)
• Automatic Tuberculosis and COVID-19 cough classification using deep learning [6.970069661775001]
  TBとCOVID-19はどちらも呼吸器疾患で、有意な症状を呈し、毎年数千人の命が失われている。 データは、CNN、LSTM、Resnet50の訓練および評価に使用された1.68時間TBの生地、18.54分、47人のTB患者から1.69時間の健康的な生地、229人のCOVID-19患者、1498人の健康的な患者を含む。
  論文  参考訳（メタデータ） (2022-05-11T13:22:50Z)
• A Generic Deep Learning Based Cough Analysis System from Clinically Validated Samples for Point-of-Need Covid-19 Test and Severity Levels [85.41238731489939]
  臨床検体8,380名を対象に,Covid-19の迅速一次スクリーニングツールの検出性能について検討した。 提案手法は,経験的モード分解(EMD)に基づくアルゴリズムであり,その後に音声特徴量に基づく分類を行う。 DeepCoughの2つの異なるバージョン、すなわちDeepCough2DとDeepCough3Dのテンソル次元について検討した。
  論文  参考訳（メタデータ） (2021-11-10T19:39:26Z)
• Cough Detection Using Selected Informative Features from Audio Signals [24.829135966052142]
  モデルは、ESC-50データセットと自己記録コークス記録を組み合わせたデータセットでトレーニングされる。 最高のコー検出モデルは、それぞれ94.9%、97.1%、93.1%、0.95の精度、リコール、精度、F1スコアを実現する。
  論文  参考訳（メタデータ） (2021-08-07T23:05:18Z)
• Machine Learning based COVID-19 Detection from Smartphone Recordings: Cough, Breath and Speech [7.908757488948712]
  本研究は, スマートフォンから発声, 呼吸, 発声を自動検出する実験である。 coswara と compare の2つのデータセットで実験を行い,その内容は,うなずき,呼吸,発話の記録を含む。 発声音声では、covid-19の最も強力な署名は、息とスピーチに続くものだと結論付けている。
  論文  参考訳（メタデータ） (2021-04-02T23:21:24Z)
• Detecting COVID-19 from Breathing and Coughing Sounds using Deep Neural Networks [68.8204255655161]
  私たちは、Convolutional Neural Networksのアンサンブルを適応させて、スピーカーがCOVID-19に感染しているかどうかを分類します。 最終的には、74.9%のUnweighted Average Recall(UAR)、またはニューラルネットワークをアンサンブルすることで、ROC曲線(AUC)の80.7%を達成する。
  論文  参考訳（メタデータ） (2020-12-29T01:14:17Z)
• Multilabel 12-Lead Electrocardiogram Classification Using Gradient Boosting Tree Ensemble [64.29529357862955]
  我々は,心電図の診断を分類するために,形態や信号処理機能に適合した勾配強化木のアンサンブルを用いたアルゴリズムを構築した。 各リードについて、心拍変動、PQRSTテンプレート形状、全信号波形から特徴を導出する。 各クラスに属するECGインスタンスの確率を予測するため、全12項目の特徴と合わせて、勾配を増す決定ツリーの集合に適合する。
  論文  参考訳（メタデータ） (2020-10-21T18:11:36Z)
• CT-based COVID-19 Triage: Deep Multitask Learning Improves Joint Identification and Severity Quantification [45.86448200141968]
  感染リスクのある患者をできるだけ早期に分離する研究を優先するための新型コロナウイルスの同定、重度定量化、重篤な患者の研究の強調、病院への誘導、救急医療の提供の2つの基本的な設定について述べる。 両トリアージアプローチを統合するマルチタスクアプローチを提案し、利用可能なラベルを1つのモデルにまとめる畳み込みニューラルネットワークを提案する。 我々は約2000件の公開CT研究をトレーニングし、32件のCOVID-19研究、30件の細菌性肺炎、31件の健常患者、および30件の肺病理患者からなる慎重に設計したセットを用いて、典型的な患者の血流をエミュレートする。
  論文  参考訳（メタデータ） (2020-06-02T08:05:06Z)

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。