빵 RD(Respiratory Disease)?

🥨 Team bAIkery 🥨

조송희 | 오원진 | 장혜선 | 최정인

모두의 연구소 AIFFEL X 스마트사운드
호흡음으로 질병 분류하기

Description

• 진행기간: 22.04.25 ~ 06.10

• 개발 목적: 호흡음 데이터를 기반으로 정상음과 비정상음을 감별하여 질병을 분류하기 위함

• 개발 개요:

  호흡음은 공기의 흐름, 폐 내부의 조직 변화, 폐 내 분비물의 위치와 직접적인 관련이 있어 호흡기 건강 및 호흡기 질환의 중요 지표로 사용됩니다. 이러한 호흡음을 전문 기기 혹은 가정용 기기를 이용해 녹음합니다. 그리고 해당 호흡음을 기반으로 폐의 이상여부를 판단하고, 1차적으로 질병의 유무를 예측을 해봄으로써 질병 확산 방지에 도움을 줄 수 있습니다. 이와 같은 데이터를 이용해 호흡음 분류를 자동으로 진행하는 분석 모델을 구축합니다.

• 과정: 전처리 > 클래스 밸런싱 처리 > 특징 추출 > 모델링 > 결과 확인

About Aiffelthon

<평가 방식>

• 참조 소스 실행 후 결과 확인
• 다양한 모델 적용 후, 결과 비교
• 과업 : 질병분류 모델 정확도(accuracy)는 95% 이상 달성
• 민감도(sensitivity)와 특이도(specificity)를 계산할 것
• 추가 과업 : 소리에서 수포음(crackle)와 천명음(wheeze) 존재 유무 확인

1. Dataset

• 데이터셋: Respiratory Sound Database
• 10초에서 90초의 920개의 녹음 파일(126명의 환자) 수록
• 각각의 녹음 파일에 대한 주석이 포함됨
• 6898개의 호흡 주기를 포함해 총 5.5시간 분량의 녹음 기록
• 1864개에는 수포음(crackle), 886개에는 천명음(wheeze), 506개에는 수포음(crackle) 와 천명음(wheeze) 이 모두 포함되어 있음. 
• wheeze - High-pitched, 100 -2500Hz의 주파수 대역과 80msec 이상의 지속시간
• crackle - High-pitched, crackle의 지속시간은 20 ms보다 더 낮고 주파수 대역은 100와 200 Hz 사이
• 데이터에는 깨끗한 호흡음만을 포함한 녹음 파일과 실제 생활 조건을 반영해 소음이 포함된 녹음 파일이 있음.
• 환자는 모든 연령대를 포함

2. 전처리

• down sampling(16000Hz)
• zero padding
• 5th Butterworth filter

3. 클래스 밸런싱 처리

• smart padding + duplicated padding
• concatenation-based augmentation
• train/test split(stratify=normal/crackle/wheeze/both 클래스 비율대로)
• augmentation(shiftaug, speedaug)

4. 특징 추출

• mel feature extraction
• blank region clipping
• frequency/time masking

5. 모델링

• transfer learning(ResNet34)
• ResNet

6. 결과 확인 (test.py)

1. Task 1 : Pulmonary Disease classification

2. Task 2 : Abnormal Lung sounds classification (additional)

• First_trial without smart_padding

• Seocnd_trial with smart_padding

7. 결 론

• Medlcal data를 첫 번째 프로젝트로 진행하며, sound data에 대한 전반적인 이해와 다양한 pre-processing 방법을 시도해보는 것을 목표로 하였습니다.
• RespireNet 논문 내용을 토대로, concantenated augmentation을 포함한, 다양한 augmentation 기법을 시도해 보았습니다.
• 첫번째 과업인, 질병분류 모델에서 단순히, Resnet CNN model로 바꿈으로써 추가적 전처리 없이 96% 에 달성하는 성과를 보였습니다.
• 두번째 과업에서는 Resnet 모델에서 보다 simple 한 CNN model이 더 높은 성능을 보였습니다.
• Whezzing 및 Crackle sounds classification model에서 높은 성능을 보기 힘든 이유는, 본 비정상적인 호흡들은 fine -> moderate -> coarse한 단계를 가지며, 주파수 영역대 또한 비슷하게 포함하고 있어 높은 성능을 확인하기까지는 많은 어려움이 있음으로 판단됩니다.
• Smart_padding 을 구현하여 train셋으로 활용하여 훈련한 결과, wheezing & crackle sound가 둘 다 있는 both class에 대해 높은 recall & f1-score를 보였으나, wheezing class에 대해서 점수가 낮아지는 것을 확인하였습니다.
• 해커톤 발표를 통하여, 뒤늦게, data split을 데이터양 기준이 아닌, patient_id(PID)를 기준으로 나누어야 모델의 성능도 향상될 수 있음을 알게 되었으며, 향후 다양한 model building 과 함께 추가적인 test를 해볼 예정입니다.

8. 참고 논문

• A Window Width Optimized S-Transform(2008)
• Classification of lung sounds using convolutional neural networks(2017)
• respireNet(2020)
• DC-UNet: Rethinking the U-Net Architecture with Dual Channel Efficient CNN for Medical Images Segmentation(2020)
• LungRN+NL: An Improved Adventitious Lung Sound Classification Using Non-Local Block ResNet Neural Network with Mixup Data Augmentation(2020)
• FILTERAUGMENT: AN ACOUSTIC ENVIRONMENTAL DATA AUGMENTATION METHOD(2021)