ИСПОЛЬЗОВАНИЕ ТЕХНОЛОГИИ СТЕКИНГА ДЛЯ ПОВЫШЕНИЯ ТОЧНОСТИ КЛАССИФИКАЦИИ БРОНХОЛЁГОЧНЫХ ПАТОЛОГИЙ ПО АКУСТИЧЕСКИМ ПРИЗНАКАМ
ИСПОЛЬЗОВАНИЕ ТЕХНОЛОГИИ СТЕКИНГА ДЛЯ ПОВЫШЕНИЯ ТОЧНОСТИ КЛАССИФИКАЦИИ БРОНХОЛЁГОЧНЫХ ПАТОЛОГИЙ ПО АКУСТИЧЕСКИМ ПРИЗНАКАМ
Аннотация
В статье исследуется проблема повышения эффективности диагностики бронхолёгочных заболеваний посредством анализа акустических признаков дыхания. Авторами предлагается двухуровневая гибридная модель классификации на основе технологии стекинга, интегрирующая возможности классических методов машинного обучения и глубоких нейронных сетей. На первом уровне стекинга можно использовать такие алгоритмы классификации, как Random Forest, Gradient Boosting и XGBoost. Они позволяют получить вероятностные оценки принадлежности сигналов к патологическому классу. Полученные оценки используются для обогащения исходного набора признаков, создавая расширенный датасет для второго уровня стекинга. На этом уровне хорошие результаты показала архитектура CNN+GRU, способная одновременно выявлять локальные спектральные особенности и учитывать временные закономерности дыхательных циклов. Экспериментальная часть работы выполнена на открытом наборе данных ICBHI 2017 Respiratory Sound Database. Исследование предусматривало стратифицированное разбиение выборки, балансировку классов и перекрёстную проверку. Использование предложенного в работе решения позволило значительно улучшить значения метрик качества классификации, снижение количества ложноположительных решений и как следствие, повышение диагностической ценности автоматизированных систем первичного скрининга. Практическая значимость исследования заключается в возможности интеграции предложенной архитектуры в цифровые стетоскопы и мобильные медицинские приложения, что позволит облегчить работу медицинского персонала и ускорить процесс ранней диагностики бронхолёгочных патологий.
1. Введение
Заболевания органов дыхания, такие как хроническая обструктивная болезнь лёгких (ХОБЛ), бронхиальная астма, бронхит и пневмония, остаются одними из самых распространённых и социально значимых патологий в мире . По данным Всемирной организации здравоохранения (ВОЗ), эти заболевания не только занимают лидирующие позиции среди причин смертности, но и являются источниками значительных экономических издержек, связанных с потерей трудоспособности и лечением осложнений. Одним из основных способов раннего выявления бронхолёгочной патологии в клинической практике является традиционная аускультация, то есть выслушивание дыхательных шумов пациента с помощью фонендоскопа. Несмотря на широкое применение, данный метод имеет существенные недостатки, к которым относятся субъективность интерпретации результатов, высокая зависимость от опыта врача и отсутствие количественных критериев оценки состояния пациента .
В последние годы активное развитие технологий цифровой медицины и искусственного интеллекта открывает новые возможности для совершенствования методов диагностики респираторных заболеваний. Современные цифровые стетоскопы позволяют получать высококачественные акустические сигналы дыхания, которые содержат ценную диагностическую информацию в виде различных патологических шумов (хрипы, свисты, крепитация) , . Однако преобразование этих акустических признаков в объективные диагностические выводы остаётся сложной задачей . В этой связи особый интерес представляет применение методов машинного и глубокого обучения для автоматизированной классификации бронхолёгочной патологии на основе анализа акустических сигналов дыхания.
Одной из наиболее перспективных технологий, способной повысить точность автоматической диагностики, является стекинг (stacking) — метод ансамблевого обучения, объединяющий сильные стороны различных алгоритмов, и позволяющий улучшить обобщающую способность и надёжность прогнозирования , . Технология стекинга предполагает многоуровневое обучение, где выходные данные базовых моделей интегрируются с исходными признаками и становятся дополнительной информацией для модели следующего уровня . Несмотря на доказанную эффективность стекинга в ряде прикладных задач машинного обучения, его возможности в области анализа дыхательных шумов изучены недостаточно.
Целью данной работы является исследование возможности и эффективности применения технологии стекинга для повышения точности классификации бронхолёгочной патологии.
2. Материалы и методы исследования
Данное исследование проводилось на основе публичного датасета звуков дыхания ICBHI 2017 Respiratory Sound Database, включающего 920 аудиофайлов формата .wav и 920 текстовых аннотаций. Датасет имеет вручную размеченные интервалы дыхания и ряд особенностей: записи дыхания из нескольких анатомических зон (Trachea, Anterior Left/Right, Posterior Left/Right, Lateral Left/Right), метки наличия хрипов (crackles) и/или свистов (wheezes). Аудиофайлы состоят из записей дыхательных шумов пациентов с различными диагнозами: астма, ХОБЛ, бронхит и др.
Для написания скриптов был использован язык программирования Python. Использовались следующие библиотеки: для предобработки данных librosa и scipy, для визуализации — matplotlib, seaborn, для построения моделей — scikit-learn, xgboost, PyTorch.
Предобработка аудиоданных включала нормализацию всех записей по амплитуде и приведению к единой длине 10 секунд при помощи библиотеки librosa и функции np.pad, где общее количество отсчётов приводится к sr×10, где sr — частота дискретизации (обычно 22050 Гц); каждая запись была стандартизирована до 220500 отсчётов, что обеспечивает совместимость с моделями и повышает стабильность обучения. Также была применена полосовая фильтрация (bandpass) в диапазоне 100–2000 Гц, характерном для респираторных шумов. Данный диапазон обоснован тем, что ниже нижней границы могут присутствовать низкочастотные артефакты, не связанные с дыханием, такие как звуки движения пациента, фоновые вибрации, удары микрофона и другие механические шумы, а выше верхней границы могут определяться электрические шумы, речевые гармоники и другие посторонние сигналы, не являющиеся частью дыхательного процесса. Хрипы обычно локализуются в диапазоне от 200 до 1200 Гц и имеют короткую длительность (5–30 мс), свисты располагаются между 400 и 1600 Гц и представляют собой синусоидальные сигналы с длительностью от 80 до 250 мс. Таким образом, выбранный диапазон охватывает ключевые спектральные особенности наиболее частых патологических звуков дыхания. Для представления аудиосигнала в виде числовых признаков, пригодных для подачи на вход моделей машинного и глубокого обучения в работе применялись мел-кепстральные коэффициенты (MFCC), а также их первые и вторые временные производные (delta и delta²), что является стандартным подходом в акустическом анализе. MFCC (Mel Frequency Cepstral Coefficients) моделируют восприятие звука человеком и представляют спектральные характеристики сигнала в логарифмически искажённой частотной шкале, приближённой к физиологии слуха.
Для объективного сравнения различных подходов вначале были протестированы ряд моделей и алгоритмов классификации без предлагаемого механизма стекинга: Random Forest, Gradient Boosting, XGBoost, CNN, Transformer. Все модели обучались на одном и том же наборе признаков, и были настроены с учётом стратифицированного разбиения выборки и балансировки классов. После оценки данных алгоритмов была исследована двухуровневая схема стекинга, в которой на первом уровне рассмотренные модели обучаются на исходном датасете и выдают оценку принадлежности к тому или иному классу (норме/патологии), а сформированные оценки добавляются к исходным данным, формируя расширенный датасет, на основании которого обучались модели второго уровня в схемах : CNN + LSTM, в которой сначала свёрточные слои выделяют локальные спектральные паттерны, затем LSTM анализирует временную динамику дыхательного цикла и CNN + GRU — аналогичная архитектура, но рекуррентную часть реализует более лёгкая GRU, что ускоряет обучение при сопоставимом качестве .
Для алгоритма Random Forest использовалось 300 деревьев (n_estimators), максимальная глубина дерева — 20, минимальное число образцов для разделения узла — 4, критерий разделения Джини. Для Gradient Boosting задавалось 200 деревьев, скорость обучения (learning_rate) 0.05, максимальная глубина — 6. Алгоритм XGBoost обучался со следующими параметрами: n_estimators = 300, learning_rate = 0.05, max_depth = 6, subsample = 0.8, colsample_bytree = 0,8, reg_lambda = 1.0. CNN, Transformer, CNN+LSTM, CNN+GRU обучались с использованием оптимизатора Adam, использовалась функция потерь BCEWithLogitsLoss с весовой коррекцией классов, размер батча 32, число эпох 50. Для предотвращения переобучения использовался dropout с вероятностью 0,3 и L2-регуляризация с коэффициентом 1×10⁻⁴. Архитектура CNN включала три свёрточных блока (Conv1D с числом фильтров 32, 64, 128, размером ядра 3, активацией ReLU, BatchNorm и MaxPool с размером 2). В рекуррентной части моделей CNN+LSTM и CNN+GRU использовался один слой LSTM/GRU с 128 скрытыми единицами и двунаправленным режимом. Модель Transformer содержала 4 блока с 8 головами внимания, размерность эмбеддинга 128. Эксперименты проводились на персональном компьютере с использованием графического ускорителя. Время обучения классических моделей первого уровня не превышало нескольких минут на одну модель; обучение нейросетевых моделей второго уровня на расширенном датасете занимало больше времени, однако в целом оставалось приемлемым.
Для оценки качества применялись стандартные метрики: точность (accuracy), чувствительность (recall), специфичность (specificity), F1-мера и площадь под ROC-кривой (AUC) , .
Accuracy (Точность классификации) — доля правильно классифицированных объектов от общего числа:
где: TP (True Positive) — количество истинно положительных предсказаний, TN (True Negative) — количество истинно отрицательных предсказаний, FP (False Positive) — количество ложно положительных предсказаний, FN (False Negative) — количество ложно отрицательных предсказаний.
Recall (Полнота) — доля корректно распознанных положительных событий для каждого класса:
F1-мера: взвешенное среднее точности и полноты:
где: Precision (Точность) — это метрика, которая измеряет, насколько точно модель классифицирует положительные случаи. Она показывает, какая доля объектов, предсказанных моделью как положительные, действительно являются положительными.
Specificity (Специфичность) — способность модели правильно определять отрицательные классы (норму):
Метрика ROC-AUC отражает среднюю площадь под ROC-кривой для классов (One-vs-Rest). Это интегральная характеристика способности модели отделять положительные примеры от отрицательных при различных порогах.
3. Результаты и их обсуждение
Результаты анализа одиночных классификации представлены в таблице 1. Ряд исследуемых алгоритмов (RandomForest, GradientBoosting и XGBoost) показали достаточно высокую чувствительность (>0,92), но низкую специфичность (∼0,22–0,28). Это означает, что они склонны к «гипердиагностике»: часто ошибочно относили нормальные записи к патологическим (много ложноположительных). Это характерно для несбалансированной выборки, где позитивный класс (патология) доминирует.
Таблица 1 - Метрики качества классификации
Модель | Accuracy | Recall | Specificity | F1-score | AUC |
RandomForest | 0,717 | 0,929 | 0,222 | 0,821 | 0,656 |
GradientBoosting | 0,717 | 0,929 | 0,222 | 0,821 | 0,624 |
XGBoost | 0,750 | 0,952 | 0,278 | 0,842 | 0,594 |
CNN | 0,600 | 0,821 | 0,190 | 0,727 | 0,470 |
Transformer | 0,667 | 0,795 | 0,429 | 0,756 | 0,674 |
Анализ матриц ошибок показал, что все рассмотренные алгоритмы склонны к гипердиагностике патологий — то есть классифицируют нормальные аудиозаписи как патологические. Это подтверждается высоким количеством ложноположительных классификаций (FP) при сравнительно низком уровне истинно отрицательных результатов (TN) (рис. 1-5).
Рисунок 1 - Матрица ошибок RandomForest
Рисунок 2 - Матрица ошибок GradientBoosting
Рисунок 3 - Матрица ошибок XGBoost
Рисунок 4 - Матрица ошибок CNNModel
Рисунок 5 - Матрица ошибок TransformerModel
Использование технологи стекинга и введение вероятностных выходов базовых алгоритмов в начальный датасет существенно изменило картину. Архитектуры второго уровня CNN+LSTM и CNN+GRU на расширенном датасете показали гораздо более сбалансированный результат и продемонстрировали превосходство над исследуемыми алгоритмами по всем метрикам, таблица 2, рис. 6–7.
Таблица 2 - Метрики качества классификации
Модель | Accuracy | Recall | Specificity | F1-score | AUC |
CNN+LSTM | 0,767 | 0,714 | 0,889 | 0,811 | 0,938 |
CNN+GRU | 0,850 | 0,857 | 0,833 | 0,889 | 0,917 |
Рисунок 6 - ROC для схемы CNN+LSTM
Рисунок 7 - ROC для схемы CNN+GRU
Матрицы ошибок гибридных моделей (CNN+LSTM и CNN+GRU) показывают значительное улучшение как по отношению к количеству ложноположительных классификаций (FP), так и по способности правильно распознавать нормальные (TN) и патологические (TP) случаи. Особенно важно, что обе модели обеспечивают сбалансированную чувствительность (Recall) и специфичность, чего не удалось достичь алгоритмам базового уровня. Матрицы ошибок приведены на рис. 8 и рис. 9. Для CNN+LSTM характерно увеличение TN при низком уровне FP, что говорит о способности нейросети эффективно различать норму и патологию. В то же время, показатель FN сохраняется на допустимом уровне, обеспечивая высокую чувствительность. Модель CNN+GRU демонстрирует высокие показатели TP и F1-меры, при минимальном FP и умеренном количестве FN.
Рисунок 8 - Матрица ошибок CNN+LSTM
Рисунок 9 - Матрица ошибок CNN+GRU
Таким образом, анализ матриц ошибок подтверждает, что гибридные модели, обученные на расширенном датасете, не только превосходят «классические» модели по общим метрикам, но и обеспечивают более надёжную и интерпретируемую диагностику на уровне принятия решений.
Рассмотрим, какие именно акустические признаки оказывают наибольшее влияние на решение модели. Поскольку входными данными моделей являются мел-кепстральные коэффициенты (MFCC) и их временные производные (delta, delta²), решение модели формируется исходя из распределения энергии сигнала по мел-частотным полосам и динамики её изменения во времени. С учётом частотной локализации патологических дыхательных шумов наибольшую диагностическую информативность несут низкие и средние MFCC (примерно со 2-го по 6-й коэффициент), описывающие огибающую спектра в диапазоне 200–1600 Гц, в котором локализуются хрипы (200–1200 Гц) и свисты (400–1600 Гц).
Первые производные (delta) описывают скорость изменения спектральной огибающей и наиболее чувствительны к коротким переходным процессам — таким как крепитация, имеющая длительность 5–30 мс. Вторые производные (delta²) характеризуют ускорение изменений спектра и помогают модели отличать стационарные участки нормального дыхания от нестационарных патологических событий. Свёрточная часть моделей второго уровня (CNN+LSTM, CNN+GRU) выделяет локальные спектральные паттерны именно в этом признаковом пространстве, а рекуррентная часть (LSTM/GRU) учитывает их повторяемость и расположение в пределах дыхательного цикла, что согласуется с клинической практикой, в которой врач оценивает не только сам факт наличия шума, но и его привязку к фазе вдоха или выдоха.
Дополнительным источником информации для модели второго уровня служат вероятностные оценки базовых классификаторов первого уровня стекинга, добавленные в расширенный датасет. Они выступают своеобразной агрегированной «сводкой» признакового пространства, полученной разными алгоритмами, и позволяют сети опираться не только на исходные акустические дескрипторы, но и на согласованность решений базовых моделей, что обеспечивает наблюдаемый рост специфичности и снижение числа ложноположительных классификаций.
4. Заключение
В проведённом исследовании представлена двухуровневая стекинговая архитектура, предназначенная для диагностики бронхолёгочных патологий по акустическим признакам дыхательных шумов. Результаты экспериментальных исследований, проведённых на открытом наборе данных ICBHI 2017 Respiratory Sound Database, убедительно подтвердили эффективность предложенного метода. Полученные результаты свидетельствуют о заметном улучшении качества классификации при использовании предложенной в работе схемы стекинга: специфичность возросла практически в четыре раза, при этом чувствительность осталась высокой, а показатель AUC достиг 0,92–0,94. Такой эффект объясняется тем, что вероятностные выходы классических алгоритмов, добавленные к исходным MFCC-признакам, служат своеобразными «контекстными подсказками» для глубоких сетей, что повышает их устойчивость к шуму и улучшает обобщающую способность.
Практическое значение предложенного подхода заключается в возможности его внедрения в медицинскую практику посредством интеграции с цифровыми стетоскопами и телемедицинскими приложениями. Это может снизить нагрузку на медицинский персонал, улучшить доступность первичного скрининга заболеваний дыхательной системы и обеспечить раннее выявление бронхолёгочных патологий.
Дальнейшие исследования могут быть направлены на расширение выборок данных, в том числе за счёт привлечения других открытых наборов записей дыхательных шумов и проведения кросс-датасетной валидации, переход к мультиклассовой постановке задачи с выделением конкретных нозологических форм (астма, ХОБЛ, пневмония, бронхит), применение методов объяснимого искусственного интеллекта для интерпретации решений модели, изучение эффективности предложенного подхода при многоуровневой и мультиклассовой классификации, а также на разработку более гибких и эффективных архитектур нейронных сетей для решения диагностических задач в сфере цифровой медицины.