声学非语义属性的语音可以使机器学习模型执行诸如情绪识别、说话者识别和痴呆检测等副语言任务。脑卒中、帕金森病、阿尔茨海默病、脑瘫和肌萎缩侧索硬化症（ALS）等脑血管和神经退行性疾病也可以使用非语义语音模式，如发音、共鸣和发声等来检测和监测。与健康相关的非语义声学信号不仅限于对话语音数据。来自呼吸系统气流的健康相关声学线索，包括咳嗽声和呼吸模式等声音，可以用于健康监测。例如，临床医生使用类似“百日咳”的咳嗽声来诊断百日咳，并使用临终呼吸来检测急性心血管事件。前期针对各类疾病已经介绍了不少方法，然而，这些方法在健康声学领域仍未被充分探索。

       本文介绍谷歌研究团队开发的一种生物声学基础模型HeAR（Health Acoustic Representations），旨在通过分析人体的声音信号来检测疾病。在6个数据集上的13个健康声学事件检测任务、14个咳嗽推断任务和6个肺活量推断任务的多样化集合上对HeAR进行了基准测试，在许多任务上的表现超过了现有技术。

前期相关文章：

• AI在医学领域：通过声纹特征来预测血糖水平
• 如何使用预训练的通用音频表示进行心脏杂音检测
• PPINtonus （深度学习音调分析）帕金森病早期检测系统
• 人工智能 (AI) 应用：一个异常肺呼吸声辅助诊断系统
• 首次使用回声状态网络 (ESN) 和语音特征进行帕金森病 (PD) 预测

1 方法

HeAR 包含三个主要组成部分：数据整理步骤（包括健康声学事件检测器）、通用目的训练步骤以开发音频编码器（嵌入模型），以及采用训练好的嵌入模型进行各种下游任务的特定任务评估步骤。系统设计用于对两秒长的音频片段进行编码，并生成用于下游任务的音频嵌入。图1展示了系统的这些高级组成部分。健康声学事件检测器是一个多标签分类卷积神经网络（CNN），它能够识别两秒音频片段中存在的六种非语音健康声学事件：咳嗽、婴儿咳嗽、呼吸、清嗓、笑声和说话。

1.1 数据整理步骤

• 健康声学事件检测器： 一个多标签分类卷积神经网络 (CNN)，用于识别 2 秒音频片段中是否存在六种非语音健康声学事件：咳嗽、婴儿咳嗽、呼吸、清嗓子、笑和说话。
• 数据集构建： 利用健康声学事件检测器从 YouTube 视频中提取 2 秒长的音频片段，构建了一个名为 YT-NS 的数据集，包含约 3.13 亿个音频片段，总时长约为 174,000 小时。

1.2 通用训练步骤

• 掩码自动编码器 (MAE)： 使用 MAE 框架学习音频表示，训练一个自动编码器来重建掩码的 16x16 频谱图片段。75% 的输入片段被掩码并编码，然后通过添加可学习的掩码标记和 8 层 Transformer 解码器重建缺失的片段。
• 训练细节： 使用 AdamW 优化器训练 950,000 步 (∼4 个周期)，全局批量大小为 4096，学习率采用余弦衰减调度，起始值为 4.8e-4。

1.3 任务特定评估步骤

• 线性探测器： 使用训练好的音频编码器对所有数据集中的音频进行编码，并训练单独的线性或逻辑回归模型来预测数据集上的标签。
• 评估任务： 包括 13 个健康声学事件检测任务（呼吸、咳嗽、哭闹、清嗓子、笑声、说话声及子任务）、14 个咳嗽推理任务和 6 个肺功能测试推理任务（从呼气音频中推理出肺功能指标，强制呼气量（FEV1）、强制肺活量（FVC）、FEV1/FVC 比率、峰流速（PEF）、呼气持续时间（FET）、性别）。
• 评估指标： 对于二分类任务，报告 AUROC 或平均精度 (AP)；对于回归任务，报告平均绝对误差。

1.4 基线模型

1.4.1 TRILL

• 模型类型： 基于 ResNet50 的编码器。
• 训练数据： AudioSet 数据集中带有语音标签的子集。
• 训练目标： 优化三元组损失。
• 特点： 针对非语义语音进行训练，但未针对健康声学进行优化。

1.4.2 FRILL

• 模型类型： 基于 MobileNet 的编码器，是 TRILL 的蒸馏版本。
• 训练数据： 与 TRILL 相同。
• 训练目标： 与 TRILL 相同。
• 特点： 专为移动设备设计，体积更小，速度更快，但性能略低于 TRILL。

1.4.3 BigSSL-CAP12

• 模型类型： 基于 Conformer 的编码器。
• 训练数据： YouTube 90,000 小时的语音数据和 LibriLight 数据集。
• 训练目标： wav2vec 2.0 目标，类似于掩码语言模型。
• 特点： 针对语音进行训练，性能优于 TRILL 和 FRILL，但未针对健康声学进行优化。

1.4.4 CLAP

• 模型类型： 基于 CNN 的音频编码器。
• 训练数据： 包括 FSD50K 在内的混合数据集。
• 训练目标： 多模态对比学习。
• 特点： 针对健康声学事件检测任务进行训练，性能在 FSD50K 数据集上表现最好。

2 结果

     HeAR 模型在多个健康声学任务中取得了优异的性能，并具有更高的数据效率和泛化能力，具有成为健康声学领域重要工具的潜力。

2.1 HeAR 在 33 个任务中取得了最佳性能

• HeAR 在 17 个任务中排名第一，包括 3 个健康声学事件检测任务、10 个咳嗽推理任务和 5 个肺功能测试推理任务。
• HeAR 的平均倒数排名 (MRR) 为 0.708，高于其他所有模型。

2.2 HeAR 在健康声学事件检测任务中表现良好

• HeAR 在 FSD50K 和 FluSense 数据集上的表现仅次于 CLAP，但优于其他未使用 FSD50K 进行训练的模型。
• 在 FSD50K 数据集上，HeAR 的性能随着序列长度的增加而显著下降，这可能是由于使用了固定的正弦位置编码。
• 通过裁剪音频片段，HeAR 的性能得到显著提升。

2.3 HeAR 在咳嗽推理任务中表现出色

• HeAR 在 10 个咳嗽推理任务中优于所有基线模型，包括人口统计、生活方式和 COVID 任务。
• 在结核病和 CXR 任务中，HeAR 的性能与最佳模型相当。
• HeAR 在不同录音设备上的性能保持稳定，而 TRILL 和 FRILL 的性能变化较大。

2.4 HeAR 在肺功能测试推理任务中表现良好

HeAR 在 SpiroSmart 数据集上的 4 个肺功能测试任务和性别分类任务中优于所有基线模型。

2.5  HeAR 具有更高的数据效率

HeAR 在使用更少训练数据的情况下，能够达到与其他模型相当甚至更好的性能。

2.6  HeAR 具有更好的泛化能力

HeAR 在未见过的录音设备上的性能保持稳定，而其他模型则表现出不稳定。