🤖 AI

Quality Adaptive Angular Margin Learning for Respiratory Sound Classification

यह शोध पत्र QLung प्रस्तुत करता है, जो एक गुणवत्ता-अनुकूली कोणीय मार्जिन लर्निंग फ्रेमवर्क (quality-adaptive angular margin learning framework) है, जो मार्जिन को गतिशील रूप से स्केल करने के लिए नो-रेफरेंस ऑडियो गुणवत्ता मेट्रिक्स का लाभ उठाता है, जिससे मौजूदा अत्याधुनिक विधियों की तुलना में श्वसन ध्वनि वर्गीकरण कार्यों पर बेहतर इन-डिस्ट्रीब्यूशन और आउट-ऑफ-डिस्ट्रीब्यूशन प्रदर्शन प्राप्त होता है।

मूल लेखक: Yoon Tae Kim, Heejoon Koo, Miika Toikkanen, June-Woo Kim

प्रकाशित 2026-06-11

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yoon Tae Kim, Heejoon Koo, Miika Toikkanen, June-Woo Kim

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक कंप्यूटर को किसी व्यक्ति की सांसों को सुनना और एक स्वस्थ सांस, एक "कड़कड़ाहट" वाली आवाज़ (जैसे वेल्क्रो फटने की आवाज़), एक "सीटी जैसी" आवाज़ (जैसे सीटी बजना), या दोनों के मिश्रण के बीच अंतर बताना सिखाने की कोशिश कर रहे हैं। इसे रेस्पिरेटरी साउंड क्लासिफिकेशन (श्वसन ध्वनि वर्गीकरण) कहा जाता है।

समस्या यह है कि वास्तविक दुनिया की रिकॉर्डिंग बहुत अव्यवस्थित होती है। कुछ बहुत स्पष्ट होती हैं, जबकि कुछ शोर, बैकग्राउंड नॉइज़ या बहुत धीमी आवाज़ों से भरी होती हैं। साथ ही, जिस डेटा से कंप्यूटर सीखता है, उसमें "स्वस्थ" सांसों की संख्या "बीमार" सांसों की तुलना में बहुत अधिक होती है, जो कंप्यूटर को हर बार केवल "स्वस्थ" का अनुमान लगाकर उच्च स्कोर प्राप्त करने के लिए बहका देता है।

इस शोध पत्र के लेखकों ने, QLung ने, इन दो समस्याओं को ठीक करने के लिए एक नई शिक्षण पद्धति बनाई है। उन्होंने इसे सरल उपमाओं का उपयोग करके इस प्रकार किया है:

1. "क्वालिटी स्कोर" (वॉल्यूम नॉब)

कल्पना कीजिए कि आप एक छात्र के निबंध को ग्रेड दे रहे हैं। यदि छात्र ने ऐसे कागज पर लिखा है जो फटा हुआ, दागदार और पढ़ने में कठिन है, तो आप उन्हें उतने कठोर तरीके से ग्रेड नहीं देंगे जितना कि आप एक बेदाग कागज के लिए देते। आप कह सकते हैं, "मैं आपको इसका लाभ दूँगा क्योंकि स्थितियाँ खराब थीं।"

QLung ध्वनि के साथ भी यही करता है।

यह प्रत्येक ऑडियो क्लिप के लिए एक "क्वालिटी स्कोर" की गणना करता है।
यदि रिकॉर्डिंग उच्च गुणवत्ता (स्पष्ट और तेज़) वाली है, तो सिस्टम कहता है, "यह एक अच्छा उदाहरण है! आइए कंप्यूटर को इस ध्वनि को अन्य ध्वनियों से पूरी तरह अलग करने के लिए कड़ी मेहनत करने दें।" यह एक सख्त नियम (एक बड़ा "मार्जिन") निर्धारित करता है ताकि कंप्यूटर सटीक अंतर को सीखने के लिए मजबूर हो सके।
यदि रिकॉर्डिंग कम गुणवत्ता (शोर वाली या धीमी) वाली है, तो सिस्टम कहता है, "यह एक अव्यवस्थित उदाहरण है। आइए थोड़े उदार रहें।" यह एक ढीला नियम सेट करता है ताकि कंप्यूटर शोर से भ्रमित न हो और शोर के बजाय सांस लेने की आवाज़ को याद करने न लगे।

2. "क्लास इम्बैलेंस" (दुर्लभ पक्षी बनाम आम कबूतर)

कल्पना कीजिए कि एक कक्षा है जहाँ 90% छात्र कबूतर हैं और केवल 10% दुर्लभ नीले पक्षी हैं। यदि आप किसी छात्र से पक्षी पहचानने के लिए कहते हैं, तो वह हर बार केवल "कबूतर" का ही अनुमान लगाएगा। वे 90% उत्तर सही प्राप्त करेंगे, लेकिन वे वास्तव में कभी नहीं सीख पाएंगे कि नीला पक्षी कैसा दिखता है।

श्वसन डेटा में, "सामान्य" सांस कबूतर है, और "असामान्य" ध्वनियाँ (जैसे सीटी जैसी आवाज़) दुर्लभ नीले पक्षी हैं।

QLung का समाधान: यह एक लॉग-स्केल मार्जिन (Log-Scale Margin) का उपयोग करता है। इसे एक विशेष आवर्धक लेंस (मैग्नीफाइंग ग्लास) के रूप में सोचें।
जब कंप्यूटर एक सामान्य "सामान्य" सांस देखता है, तो आवर्धक लेंस छोटा होता है (उसे कड़ी मेहनत करने की आवश्यकता नहीं होती)।
जब कंप्यूटर एक दुर्लभ "असामान्य" सांस देखता है, तो आवर्धक लेंस बहुत बड़ा हो जाता है। यह कंप्यूटर को इन दुर्लभ ध्वनियों पर अतिरिक्त ध्यान देने के लिए मजबूर करता है, यह सुनिश्चित करता है कि वह उन्हें केवल इसलिए अनदेखा न कर दे क्योंकि वे दुर्लभ हैं।

3. "एंगुलर क्लासिफायर" (कंपास)

आमतौर पर, कंप्यूटर संकेतों को उनके "तेज़" या "बड़े" होने के आधार पर मापते हैं। लेकिन सांस लेने के मामले में, एक तेज़ खाँसी का मतलब केवल यह हो सकता है कि व्यक्ति चिल्ला रहा है, न कि वह अधिक बीमार है। एक धीमी सीटी जैसी आवाज़ बहुत खतरनाक हो सकती है।

QLung नियमों को बदल देता है: यह कंप्यूटर को "वॉल्यूम" (आकार) को अनदेखा करने और केवल ध्वनि की दिशा (कोण) को देखने के लिए कहता है, जैसे कि एक कंपास।
यह सभी "स्वस्थ" ध्वनियों को उत्तर की ओर, सभी "सीटी जैसी" ध्वनियों को पूर्व की ओर, इत्यादि की ओर इशारा करने के लिए मजबूर करता है। वॉल्यूम को अनदेखा करके, कंप्यूटर ध्वनि के वास्तविक आकार को सीखता है, जिससे यह उन्हें बताने में बहुत बेहतर हो जाता है, भले ही रिकॉर्डिंग धीमी या तेज़ हो।

परिणाम: एक बेहतर जासूस

लेखकों ने इस नई पद्धति (जिसे QLung कहा जाता है) का परीक्षण श्वसन डेटा के दो अलग-अलग सेटों पर किया:

प्रशिक्षण सेट (ICBIC): उन्होंने पिछले सर्वोत्तम तरीकों की तुलना में सटीकता में 2.46% का सुधार किया।
"वास्तविक दुनिया" का परीक्षण (SPRSound): यह सबसे महत्वपूर्ण हिस्सा है। उन्होंने QLung का परीक्षण एक अलग डेटासेट पर किया जिसे कंप्यूटर ने पहले कभी नहीं देखा था (आउट-ऑफ-डिस्ट्रीब्यूशन)।
- अन्य तरीके यहाँ बुरी तरह विफल रहे, उनके स्कोर में काफी गिरावट आई।
- QLung मजबूत बना रहा। इसने इस नए, अव्यवस्थित डेटा पर परीक्षण किए गए किसी भी अन्य तरीके की तुलना में सर्वश्रेष्ठ प्रदर्शन किया।

संक्षेप में: QLung फेफड़ों को सुनने का एक स्मार्ट तरीका है। यह जानता है कि कब सख्त होना है (स्पष्ट ध्वनियों पर), कब उदार होना है (शोर वाली ध्वनियों पर), और दुर्लभ, खतरनाक ध्वनियों पर कैसे अतिरिक्त ध्यान देना है। यह इसे वास्तविक दुनिया के उपयोग के लिए बहुत अधिक विश्वसनीय बनाता है जहाँ रिकॉर्डिंग हमेशा आदर्श नहीं होती है।

तकनीकी सारांश: श्वसन ध्वनि वर्गीकरण के लिए गुणवत्ता अनुकूलित कोणीय मार्जिन लर्निंग (Quality Adaptive Angular Margin Learning)

समस्या विवरण
श्वसन ध्वनि वर्गीकरण (Respiratory Sound Classification - RSC) में दो प्राथमिक चुनौतियाँ हैं जो वास्तविक दुनिया के नैदानिक डेटा (clinical data) के प्रति मॉडल के सामान्यीकरण (generalization) में बाधा डालती हैं:

परिवर्तनीय रिकॉर्डिंग गुणवत्ता: ICBHI जैसे सार्वजनिक डेटासेट में अलग-अलग ऑडियो गुणवत्ता वाली रिकॉर्डिंग शामिल हैं। कम गुणवत्ता वाले नमूने अक्सर शोर (noise) उत्पन्न करते हैं जो पैथोलॉजी की नकल करता है, जिससे मॉडल वास्तविक रोग संबंधी विशेषताओं के बजाय भ्रामक सहसंबंधों (spurious correlations) को सीख लेते हैं।
गंभीर वर्ग असंतुलन और सूक्ष्म ओवरलैप: RSC डेटासेट में सामान्य और असामान्य वर्गों के बीच महत्वपूर्ण असंतुलन होता है। इसके अलावा, असामान्य श्रेणियाँ (जैसे कि क्रैकल्स और व्हीज़) अक्सर एक साथ होती हैं, जो सूक्ष्म वर्गीकरण चुनौतियाँ पैदा करती हैं जहाँ ध्वनिक सीमाएँ (acoustic boundaries) बहुत सूक्ष्म और ओवरलैपिंग होती हैं।

मौजूदा विधियाँ, जिनमें डेटा ऑग्मेंटेशन और मेटाडेटा एकीकरण शामिल हैं, इन मुद्दों को पूरी तरह से कम करने में संघर्ष करती रही हैं, जिसके परिणामस्वरूप ऐसे मॉडल बनते हैं जिनमें मजबूत निर्णय सीमाएँ (decision boundaries) का अभाव होता है और वे आउट-ऑफ-डिस्ट्रीब्यूशन (OOD) डेटा पर खराब प्रदर्शन करते हैं।

कार्यप्रणाली: QLung
लेखक QLung का प्रस्ताव करते हैं, जो एक क्वालिटी-एडेप्टिव एंगुलर मार्जिन लर्निंग योजना के माध्यम से इंट्रा-क्लास कॉम्पैक्टनेस (intra-class compactness) और इंटर-क्लास सेपेरेबिलिटी (inter-class separability) को लागू करने के लिए डिज़ाइन किया गया है। यह कार्यप्रणाली चार मुख्य घटकों से बनी है:

कोणीय क्लासिफायर (Angular Classifier):
यह सुनिश्चित करने के लिए कि निर्णय विशुद्ध रूप से कोणीय समानता (angular similarity) पर आधारित हों न कि फीचर मैग्नीट्यूड (feature magnitude) पर (जो रिकॉर्डिंग की लाउडनेस और गुणवत्ता से अत्यधिक प्रभावित होता है), यह ढांचा एक कोणीय क्लासिफायर का उपयोग करता है। यह मॉड्यूल यूनिट हाइपरस्फीयर (unit hypersphere) पर फीचर वेक्टर्स और क्लास वेट वेक्टर्स दोनों को सामान्य (normalize) करता है। निर्णय सामान्यीकृत फीचर और क्लास वेट के बीच कोसाइन सिमिलरिटी (cosine similarity) के आधार पर लिए जाते हैं, जिसे एक निश्चित लॉजिट स्केल ( $s_a$ ) द्वारा स्केल किया जाता है।
ऑडियो क्वालिटी मार्जिन ( $m_q$ ):
यह ढांचा स्पेक्ट्रल एंट्रॉपी (spectral entropy) और रूट-मीन-स्क्वायर (RMS) ऊर्जा से प्राप्त एक नो-रेफरेंस ऑडियो क्वालिटी स्कोर (AQS) पेश करता है।

उच्च एंट्रॉपी शोर जैसे संकेतों को दर्शाती है; कम RMS कमजोर रिकॉर्डिंग को दर्शाता है।
AQS की गणना सामान्यीकृत एंट्रॉपी और RMS के क्लिप्ड लीनियर कॉम्बिनेशन (clipped linear combination) के रूप में की जाती है।
इस स्कोर का उपयोग कोणीय मार्जिन को गतिशील रूप से स्केल करने के लिए किया जाता है: उच्च-गुणवत्ता वाले इनपुट बड़े मार्जिन प्राप्त करते हैं ताकि मजबूत पृथक्करण को प्रोत्साहित किया जा सके, जबकि कम-गुणवत्ता वाले इनपुट छोटे मार्जिन प्राप्त करते हैं ताकि शोर के प्रति ओवरफिटिंग को रोका जा सके।

लॉग-स्केल्ड क्लास इम्बैलेंस मार्जिन ( $m_c$ ):
वर्ग असंतुलन को संबोधित करने के लिए (जो मानक इन्वर्स-फ्रीक्वेंसी स्केलिंग के साथ अस्थिरता पैदा कर सकता है), लेखक एक लॉग-स्केल्ड मार्जिन का प्रस्ताव करते हैं।

मार्जिन को इन्वर्स क्लास फ्रीक्वेंसी के लघुगणक (logarithm) के रूप में परिभाषित किया गया है।
यह लॉगरिदमिक मैपिंग सुचारू मार्जिन वृद्धि सुनिश्चित करती है, जिससे अल्पसंख्यक वर्गों (minority classes) पर जोर दिया जाता है बिना बहुसंख्यक वर्गों को अत्यधिक दंडित किए, जिससे हेड और टेल वर्गों के बीच संतुलन स्थिर रहता है।

डुअल फैक्टर एंगुलर मार्जिन (DFAM) और यूनिफाइड लॉस:
अंतिम मार्जिन ( $m_d$ ), क्वालिटी मार्जिन और इम्बैलेंस मार्जिन का भारित औसत (weighted average) है ( $m_d = \gamma m_q + (1-\gamma)m_c$ )।

यह कंपोजिट मार्जिन को सॉफ्टमैक्स लॉस फंक्शन में टारगेट एंगल पर एक एडिटिव पेनल्टी के रूप में लागू किया जाता है।
कुल प्रशिक्षण उद्देश्य मानक क्रॉस-एंट्रॉपी (CE) लॉस के साथ DFAM रेगुलाइजेशन टर्म को जोड़ता है, जिसे एक हाइपरपैरामीटर $\lambda$ द्वारा भारित किया जाता है।

प्रमुख योगदान

RSC में पहली बार एंगुलर मार्जिन्स का अनुप्रयोग: यह पेपर दावा करता है कि यह श्वसन ध्वनि वर्गीकरण के लिए विशेष रूप से ओवरलैपिंग ध्वनिक घटनाओं और क्लास इम्बैलेंस की दोहरी समस्याओं को लक्षित करने वाले एंगुलर मार्जिन-आधारित फ्रेमवर्क को लागू करने वाला पहला है।
यूनिफाइड डुअल-फैक्टर फॉर्मूलेशन: एक मार्जिन का परिचय जो रिकॉर्डिंग की गुणवत्ता (AQS के माध्यम से) और क्लास फ्रीक्वेंसी (लॉग-स्केलिंग के माध्यम से) दोनों के आधार पर अनुकूल रूप से स्केल होता है।
एंगुलर क्लासिफायर डिज़ाइन: एक क्लासिफायर का कार्यान्वयन जो निर्णयों को यूनिट हाइपरस्फीयर तक सीमित करता है, यह सुनिश्चित करता है कि सिग्नल एम्प्लीट्यूड की परवाह किए बिना मार्जिन पेनल्टी समान रूप से लागू हो।
प्रदर्शन सुधार: यह ढांचा जटिल डेटा ऑग्मेंटेशन रणनीतियों जैसे कि Patch-Mix या अतिरिक्त LoRA ट्रेनिंग पर निर्भर किए बिना मानक बेंचमार्क पर अत्याधुनिक (state-of-the-art) परिणाम प्राप्त करता है।

प्रायोगिक परिणाम
लेखकों ने ICBHI 2017 डेटासेट (इन-डिस्ट्रीब्यूशन) और SPRSound डेटासेट (आउट-ऑफ-डिस्ट्रीब्यूशन) पर QLung का मूल्यांकन किया।

इन-डिस्ट्रीब्यूशन (ICBHI):
- AST बैकबोन पर लागू QLung ने आधिकारिक स्कोर (स्पेसिफिसिटी और सेंसिटिविटी का अंकगणितीय माध्य) को 59.55% (बेसलाइन AST फाइन-ट्यूनिंग) से बढ़ाकर 62.01% कर दिया, जो कि 2.46% का पूर्ण सुधार है।
- जब इसे Audio-CLAP बैकबोन पर लागू किया गया, तो स्कोर 62.56% से बढ़कर 63.39% हो गया, जो पिछले स्टेट-ऑफ-द-आर्ट (BTS, 63.54% को तालिका में पिछले सर्वश्रेष्ठ के रूप में नोट किया गया है, हालांकि टेक्स्ट QLung की प्रतिस्पर्धात्मकता और बेसलाइन में सुधार को उजागर करता है) से बेहतर है।
आउट-ऑफ-डिस्ट्रीब्यूशन (SPRSound):
- QLung ने पूर्ववर्ती स्टेट-ऑफ-द-आर्ट विधियों की तुलना में बेहतर सामान्यीकरण प्रदर्शित किया।
- SPRSound डेटासेट पर, QLung (Audio-CLAP पर) ने 59.80% का स्कोर प्राप्त किया, जो पिछले तरीकों से काफी बेहतर है जो प्रदर्शन में गिरावट का शिकार हुए (उदाहरण के लिए, BTS ने 53.42% स्कोर किया, Audio-CLAP ने 56.29% स्कोर किया)।
एब्लेशन स्टडीज (Ablation Studies):
- घटकों (फिक्स्ड एंगुलर मार्जिन, ऑडियो क्वालिटी मार्जिन, क्लास इम्बैलेंस मार्जिन, एंगुलर क्लासिफायर) के क्रमिक जुड़ाव ने पुष्टि की कि प्रत्येक घटक अंतिम प्रदर्शन लाभ में योगदान देता है।
- गुणात्मक विश्लेषण (t-SNE और कन्फ्यूजन मैट्रिक्स) ने दिखाया कि QLung अधिक कॉम्पैक्ट और अच्छी तरह से अलग किए गए क्लस्टर बनाता है, विशेष रूप से "दोनों" (क्रैकल और व्हीज़ का सह-घटित होना) क्लास के लिए, और सामान्य मामलों के लिए गलत अलार्म को कम करता है।

महत्व
यह पेपर दावा करता है कि QLung वास्तविक दुनिया के नैदानिक परिदृश्यों के लिए एक मजबूत समाधान प्रदान करता है जहाँ डेटा शोर युक्त, विषम और असंतुलित होता है। रिकॉर्डिंग की गुणवत्ता और क्लास फ्रीक्वेंसी के आधार पर मार्जिन को अनुकूल रूप से स्केल करके, यह ढांचा स्पष्ट निर्णय सीमाएं बनाने की मॉडल की क्षमता को बढ़ाता है। SPRSound डेटासेट पर आउट-ऑफ-डिस्ट्रीब्यूशन प्रदर्शन में महत्वपूर्ण सुधार यह सुझाव देता है कि QLung कम-गुणवत्ता वाले डेटा के प्रति ओवरफिटिंग के जोखिमों को प्रभावी ढंग से कम करता है और अनदेखे नैदानिक वातावरण में सामान्यीकरण में सुधार करता है।

1. "क्वालिटी स्कोर" (वॉल्यूम नॉब)

2. "क्लास इम्बैलेंस" (दुर्लभ पक्षी बनाम आम कबूतर)

3. "एंगुलर क्लासिफायर" (कंपास)

परिणाम: एक बेहतर जासूस

इसी तरह के और पेपर