Quality Adaptive Angular Margin Learning for Respiratory Sound Classification

技術要約：呼吸音分類のための品質適応型角度マージン学習

問題提起
呼吸音分類（RSC）は、モデルの現実世界の臨床データへの汎化を妨げる2つの主要な課題に直面しています。

1. 録音品質の変動: ICBHIのような公開データセットには、録音品質にばらつきがあります。低品質なサンプルは、病理を模倣するノイズを導入することが多く、モデルが真の疾患特徴ではなく、偽の相関関係を学習してしまう原因となります。
2. 深刻なクラス不均衡と微細な重複: RSCデータセットは、正常クラスと異常クラスの間で顕著な不均衡が生じています。さらに、異常カテゴリ（例：クラックルや笛音）はしばしば同時に発生するため、音響的な境界が微細で重なり合っており、微細な分類における課題を生み出しています。

データ拡張やメタデータの統合を含む既存の手法は、これらの問題を完全には軽減できず、結果としてモデルが堅牢な決定境界を欠き、分布外（OOD）データに対して性能が低下するという結果を招いています。

手法：QLung
著者らは、品質適応型角度マージン学習スキームを通じて、クラス内の凝集性とクラス間の分離性を強化するために設計されたフレームワークであるQLungを提案しています。この手法は、以下の4つのコアコンポーネントで構成されています。

1. 角度分類器（Angular Classifier）:
   決定境界が（録音の大きさや品質に大きく影響される）特徴量の大きさではなく、純粋に角度の類似性に依存するようにするため、本フレームワークは角度分類器を採用しています。このモジュールは、特徴ベクトルとクラス重みベクトルの両方を単位超球面上に正規化します。決定は、正規化された特徴量とクラス重みの間のコサイン類似度に基づき、固定されたロジットスケール（$s_a$）によってスケーリングされます。

2. 音声品質マージン ($m_q$):
   本フレームワークは、スペクトルエントロピーと実効値（RMS）エネルギーから導出される、参照不要の**音声品質スコア（AQS）**を導入しています。

• エントロピーが高いことはノイズのような信号であることを示し、RMSが低いことは録音が弱いことを示します。
• AQSは、正規化されたエントロピーとRMSのクリップされた線形結合として計算されます。
• このスコアは角度マージンを動的にスケーリングするために使用されます。高品質な入力には、強力な分離を促すために大きなマージンを与え、低品質な入力には、ノイズへの過学習を防ぐために小さなマージンを与えます。

3. 対数スケールによるクラス不均衡マージン ($m_c$):
   標準的な逆頻度スケーリングでは（学習の不安定化を招く可能性があるため）、深刻なクラス不均衡に対処するために、著者らは対数スケールによるマージンを提案しています。

• マージンは、逆クラス頻度の対数として定義されます。
• この対数写像により、マージンの成長が滑らかになり、多数派クラスを過度に罰することなく、少数派クラスを強調しつつ、ヘッドクラスとテールクラスのトレードオフを安定させます。

4. 二重因子角度マージン（DFAM）および統合損失:
   最終的なマージン（$m_d$）は、品質マージンと不均衡マージンの加重平均です（$m_d = \gamma m_q + (1-\gamma)m_c$）。

• この複合マージンは、ソフトマックス損失関数におけるターゲット角度への加法的ペナルティとして適用されます。
• 全体の学習目的関数は、標準的なクロスエントロピー（CE）損失と、ハイパーパラメータ $\lambda$ で重み付けされたDFAM正則化項を組み合わせたものです。

主な貢献

• RSCへの角度マージンの初適用: 本論文は、重なり合う音響イベントとクラス不均衡という二重の課題を明確にターゲットとして、角度マージンベースのフレームメントを呼吸音分類に適用した最初の事例であると主張しています。
• 統一された二重因子定式化: 録音品質（AQS経由）とクラス頻度（対数スケーリング経由）の両方に基づいて適応的にスケーリングされるマージンの導入。
• 角度分類器の設計: 決定を単位超球面に制約することで、信号の振幅に関わらずマージンペナルティが一貫して適用されるように設計された分類器の実装。
• 性能の向上: Patch-Mixのような複雑なデータ拡張戦略や追加のLoRAトレーニングに頼ることなく、標準的なベンチマークで最先端（SOTA）の結果を達成しています。

実験結果
著者らは、ICBHI 2017データセット（イン分布）およびSPRSoundデータセット（アウトオブ分布）を用いてQLungを評価しました。

• イン分布 (ICBHI):
  • ASTバックボーンに適用されたQLungは、公式スコア（特異度と感度の算術平均）を、ベースラインのASTファインチューニングの**59.55%から62.01%**へと、2.46%の絶対的な向上を実現しました。
  • Audio-CLAPバックボーンに適用した場合、スコアは62.56%から**63.39%**に向上し、従来の最先端（表中のBTS、63.54%が以前の最高値として記載）に匹敵する性能を示しました。
• アウトオブ分布 (SPRSound):
  • QLungは、従来の最先端手法と比較して優れた汎化性能を示しました。
  • SPRSoundデータセットにおいて、QLung（Audio-CLAP上）は**59.80%**のスコアを達成し、性能低下に苦しんだ従来の手法（例：BTSは53.42%、Audio-CLAPは56.29%）を大幅に上回りました。
• アブレーション研究:
  • 各コンポーネント（固定角度マージン、音声品質マージン、クラス不均衡マージン、角度分類器）を段階的に追加することで、各要素が最終的な性能向上に寄与していることが確認されました。
  • 定性的分析（t-SNEおよび混同行列）により、QLungが、特に「両方」（クラックルと笛音の同時発生）クラスにおいて、よりコンパクトで分離されたクラスターを生成し、正常ケースに対する誤報を減少させていることが示されました。

意義
本論文は、データがノイズが多く、不均一で、不均衡である現実世界の臨床シナリオに対して、QLungが堅牢なソリューションを提供すると断言しています。録音品質とクラス頻度に基づいてマージルを適応的にスケーリングすることにより、本フレームワークは明確な決定境界を形成するモデルの能力を高めます。SPRSoundデータセットにおけるアウトオブ分布性能の大幅な向上は、QLongが低品質なデータへの過学習のリスクを効果的に軽減し、未知の臨床環境への汎化性能を向上させていることを示唆しています。