2019 Fiscal Year Annual Research Report
Detection of unhealthy subjects based on stochastic modeling and extraction of adventitious sounds
| Project/Area Number |
17K00408
|
|---|
| Research Institution | Nagasaki University |
|---|
Principal Investigator |
松永 昭一 長崎大学, 工学研究科, 教授 (90380815)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
酒井 智弥 長崎大学, 工学研究科, 准教授 (30345003)
|
|---|
| Project Period (FY) |
2017-04-01 – 2020-03-31
|
| Keywords | 肺音 / 機械学習 / スパースモデリング / 音響特徴量 |
|---|
| Outline of Annual Research Achievements |
疾患者の肺音に含まれる異常音(副雑音)には、主に気管支を音源とする連続性副雑音と肺胞を音源とする副雑音が存在する。肺音中の異常音を高精度に検出することで、肺疾患者の高精度検出を目指しているが、肺音中には、これらの副雑音に類似した雑音が多数含まれるため、識別性能が低下するという問題がある。また、正確なラベル付けが行われた、多量のデータを用いることが難しいという課題がある。そこで、本研究では、これらの問題に対処するために以下の検討を行った。
まず、音響特徴量の有効性の検討としてバンドパスフィルタの出力を用いる場合とFFTケプストラムを用いる場合の異常音を含む呼吸音の検出精度の比較を行った。この結果、FFTケプストラムを用いた方が、安定的に良い精度が得られることがわかった。
次に、時間信号を入力とし、スパースモデリングによる肺音分離と、CNN(Convolutional Neural Network) を接続した特徴抽出から識別までを一括で行なう肺音識別器の深層学習の構築を行った。この識別方式では、スパースモデリングによる分離部分をニューラルネットワーク化でき、CNN 識別に適するように、スパースモデリングにおけるハイパーパラメータ(基底行列、正則化パラメータ)を学習することができる。本年度はスパースモデリングにおけるハイパーパラメータが適切な学習を行ない、高精度に識別することを目指した。また正則化パラメータの非負性を担保するための制約手法を検討した。
また、重み付けされた正則化パラメータベクトルの導入と、それを学習可能にする展開技法の検討を行った。正則化パラメータをベクトル化することで、各肺音成分の重要性を表す尺度として用い、逆誤差伝搬法が利用できるように、スパースモデリングの問題を計算グラフ化することで正則化パラメータベクトルを学習可能にした。
|
