Quality Adaptive Angular Margin Learning for Respiratory Sound Classification

Resumen Técnico: Aprendizaje de Margen Angular Adaptativo a la Calidad para la Clasificación de Sonidos Respiratorios

Planteamiento del Problema
La Clasificación de Sonidos Respiratorios (RSC) enfrenta dos desafíos primarios que obstaculizan la generalización de los modelos a los datos clínicos del mundo real:

1. Calidad de Grabación Variable: Los conjuntos de datos públicos como ICBHI contienen grabaciones con calidades de audio variables. Las muestras de baja calidad suelen introducir ruido que imita la patología, lo que lleva a los modelos a aprender correlaciones espurias en lugar de características reales de la enfermedad.
2. Desequilibrio de Clases Severo y Solapamiento de Grano Fino: Los conjuntos de datos de RSC sufren un desequilibrio significativo entre las clases normales y anormales. Además, las categorías anormales (por ejemplo, estertores y sibilancias) a menudo ocurren simultáneamente, creando desafíos de clasificación de grano fino donde los límites acústicos son sutiles y se solapan.

Los métodos existentes, incluyendo el aumento de datos y la integración de metadatos, han luchado por mitigar plenamente estos problemas, lo que resulta en modelos que carecen de límites de decisión robustos y tienen un desempeño deficiente en datos fuera de la distribución (OOD).

Metodología: QLung
Los autores proponen QLung, un marco diseñado para imponer compacidad intra-clase y separabilidad inter-clase mediante un esquema de Aprendizaje de Margen Angular Adaptativo a la Calidad. La metodología consta de cuatro componentes principales:

1. Clasificador Angular:
   Para asegurar que los límites de decisión dependan puramente de la similitud angular en lugar de la magnitud de las características (la cual está fuertemente influenciada por la sonoridad y la calidad de la grabación), el marco emplea un clasificador angular. Este módulo normaliza tanto los vectores de características como los vectores de peso de clase al hiperesfera unidad. Las decisiones se toman basadas en la similitud de coseno entre el vector de característica normalizado y el peso de la clase, escalado por una escala de logit fija ($s_a$).

2. Margen de Calidad de Audio ($m_q$):
   El marco introduce una Puntuación de Calidad de Audio (AQS) sin referencia derivada de la entropía espectral y la energía de la raíz cuadrática media (RMS).

• Una entropía alta indica señales similares al ruido; un RMS bajo indica grabaciones débiles.
• El AQS se calcula como una combinación lineal recortada de la entropía normalizada y el RMS.
• Esta puntuación se utiliza para escalar dinámicamente el margen angular: las entradas de alta calidad reciben márgenes más grandes para fomentar una separación fuerte, mientras que las entradas de baja calidad reciben márgenes más pequeños para evitar el sobreajuste al ruido.

3. Margen de Desequilibrio de Clases Escala Logarítmica ($m_c$):
   Para abordar el severo desequilibrio de clases sin causar inestabilidad en el entrenamiento (lo cual puede ocurrir con el escalado de frecuencia inversa estándar), los autores proponen un margen escalado logarítmicamente.

• El margen se define como el logaritmo de la frecuencia inversa de la clase.
• Este mapeo logarítmico asegura un crecimiento suave del margen, enfatizando las clases minoritarias sin penalizar excesivamente a las clases mayoritarias, mitigando así el equilibrio entre las clases de cabeza (head) y de cola (tail).

4. Margen Angular de Factor Dual (DFAM) y Pérdida Unificada:
   El margen final ($m_d$) es un promedio ponderado del margen de calidad y el margen de desequilibrio ($m_d = \gamma m_q + (1-\gamma)m_c$).

• Este margen compuesto se aplica como una penalización aditiva al ángulo objetivo en la función de pérdida softmax.
• El objetivo de entrenamiento total combina la pérdida de Entropía Cruzada (CE) estándar con el término de regularización DFAM, ponderado por un hiperparámetro $\lambda$.

Contribuciones Clave

• Primera Aplicación de Márgenes Angulares a la RSC: El artículo afirma ser el primero en aplicar marcos basados en márgenes angulares a la clasificación de sonidos respiratorios, dirigiéndose específicamente a los problemas duales de eventos acústicos solapados y desequilibrio de clases.
• Formulación de Factor Dual Unificada: La introducción de un margen que escala adaptativamente basado tanto en la calidad de la grabación (vía AQS) como en la frecuencia de la clase (vía escala logarítmica).
• Diseño del Clasificador Angular: La implementación de un clasificador que restringe las decisiones a la hiperesfera unidad, asegurando que las penalizaciones de margen se apliquen consistentemente independientemente de la amplitud de la señal.
• Mejoras de Desempeño: El marco logra resultados de vanguardia en benchmarks estándar sin depender de estrategias compleas de aumento de datos como Patch-Mix o entrenamiento adicional de LoRA.

Resultados Experimentales
Los autores evaluaron QLung en el conjunto de datos ICBHI 2017 (en distribución) y el conjunto de datos SPRSound (fuera de distribución).

• En Distribución (ICBHI):
  • QLung aplicado a un backbone AST mejoró el Score oficial (media aritmética de Especificidad y Sensibilidad) de 59.55% (ajuste fino de la línea base AST) a 62.01%, una mejora absoluta del 2.46%.
  • Cuando se aplicó al backbone Audio-CLAP, el Score mejoró de 62.56% a 63.39%, superando el estado del arte anterior (se nota que BTS con 63.54% es el mejor anterior en la tabla, aunque el texto destaca la competitividad y mejora de QLung sobre las líneas base).
• Fuera de Distribución (SPRSound):
  • QLung demostró una generalización superior comparado con métodos previos de vanguardia.
  • En el conjunto de datos SPRSound, QLung (sobre Audio-CLAP) logró un Score de 59.80%, superando significativamente a los métodos anteriores que sufrieron degradación de desempeño (por ejemplo, BTS obtuvo 53.42%, Audio-CLAP obtuvo 56.29%).
• Estudios de Ablación:
  • La adición incremental de componentes (margen angular fijo, margen de calidad de audio, margen de desequilibrio de clase, clasificador angular) confirmó que cada componente contribuye a la ganancia de desempeño final.
  • El análisis cualitativo (t-SNE y matrices de confusión) mostró que QLung produce clusters más compactos y bien separados, particularmente para la clase "ambos" (coocurrencia de estertores y sibilancias), y reduce las falsas alarmas para casos normales.

Significancia
El artículo afirma que QLung proporciona una solución robusta para escenarios clínicos del mundo real donde los datos son ruidosos, heterogéneos y desequilibrados. Al escalar adaptativamente los márgenes basándose en la calidad de la grabación y la frecuencia de la clase, el marco mejora la capacidad del modelo para formar límites de decisión claros. La mejora significativa en el desempeño fuera de la distribución en el conjunto de datos SPRSound sugiere que QLung mitiga eficazmente los riesgos de sobreajuste a datos de baja calidad y mejora la generalización a entornos clínicos no vistos.