준지도 학습을 이용한 효과적인 폐음 분류

• Published in: 정보과학회 컴퓨팅의 실제 논문지 Vol. 30; no. 12; pp. 669 - 674
• Main Authors: 조원양(Won-Yang Cho), 이상준(Sangjun Lee)
• Format: Journal Article
• Language: Korean
• Published: Korean Institute of Information Scientists and Engineers 01.12.2024; 한국정보과학회
• Subjects: 컴퓨터학; 분류; respiratory sounds; 폐질환; 준지도 학습; lung disease; semi-supervised learning; 호흡음; classification
• ISSN: 2383-6318; 2383-6326
• DOI: 10.5626/KTCP.2024.30.12.669

본 연구는 라벨링된 데이터가 부족한 폐음 분류 문제에서 준지도 학습(Semi-Supervised Learning)을 이용하여 모델의 성능을 개선하는 학습 방법을 제안한다. 폐 질환은 전 세계적으로 세 번째 주요 사망 원인이고 매년 약 3백만 명이 사망하고 있다. 폐 질환의 여러 가지 진단 방법 중 청진은 비침습적이고 단순하며 휴대하기 쉽고 빠르게 검사하는 방법이다. 폐음 분류에 관한 연구들은 주로 지도 학습(Supervised Learning)을 사용해 왔다. 지도 학습은 높은 정확도를 달성하기 위해 많은 라벨링된 데이터가 필요하다. 폐음 데이터의 라벨링은 전문적인 의료 지식을 요구하기 때문에 많은 한계점을 가지고 있다. 본 연구는 라벨링된 데이터가 제한적인 상황에서 라벨이 없는 데이터를 활용한 준지도 학습이 폐음 분류 모델의 성능을 향상시킬 수 있음을 확인하였다. 제안된 방법은 폐 질환의 조기 진단 및 치료에 이바지할 것으로 기대된다. This study proposes a semi-supervised learning approach to improve the accuracy of respiratory sound classification when there is a lack of labeled data. Lung diseases are the third leading cause of death worldwide, accounting for approximately 3 million deaths each year. Among various diagnostic methods for lung disease, auscultation stands out as a non-invasive, simple, portable, and rapid examination technique. Most of the research on respiratory sound classification has used supervised learning. Supervised learning requires a vast amount of labeled data to achieve high accuracy. Labeling respiratory sound data require specialized medical knowledge, which is one of significant challenges. This research confirmed that semi-supervised learning using unlabeled data can improve the performance of lung sound classification models when labeled data are insufficient. The proposed method is expected to play a key role in the early diagnosis and treatment of lung diseases. KCI Citation Count: 0