في عالم الذكاء الاصطناعي، يواصل البحث عن تقنيات جديدة وآليات مبتكرة للتعامل مع البيانات الصوتية الظهور على الساحة. في هذا السياق، نقدم لكم إطار تعلم هامش الزاوية القابل للتكيف (Quality Adaptive Angular Margin Learning) الذي يعد بمثابة خطوة متقدمة نحو تحسين تصنيف أصوات التنفس.

يساهم هذا الإطار، المسمى QLung، في تعزيز عمومية الميزات من خلال فرض انقباض داخلي ضمن الفئة وتباعد خارجي بين الفئات. يعتمد QLung على هامش جودة صوت غير مرجعي يستند إلى الحماس الطيفي والطاقة الجذرية المتوسطة، مما يمكنه من ضبط الهوامش الزاوية بشكل تكيفي استنادًا إلى جودة التسجيل.

ولقد تم اقتراح هامش زاوي مقیاس لوغاريتمي يعمل على تثبيت التدريب حتى في ظل اختلال حاد في توزيع الفئات. كما يستخدم مصنفًا زاوياً يعمل على تطبيع الميزات وأوزان الفئات، مما يضمن تطبيق جزاءات الهامش بشكل موحد على الكرة الفائقة.

تشير النتائج إلى تحسين أداء النموذج بنسبة 2.46% على مجموعة بيانات ICBHI مقارنة بأسلوب الهامش المتقاطع، مما يعكس قوة هذه التقنية. والأكثر إثارة للاهتمام، أن QLung حقق أداءً ممتازًا على مجموعة بيانات SPRSound، متجاوزًا معظم الأساليب السابقة في هذا المجال.

للمهتمين بالتطورات في هذا المجال، يمكنكم الاطلاع على الكود عبر الرابط: رابط [الكود هنا].

ما رأيكم في هذا الابتكار؟ هل تعتقدون أنه سيكون له تأثير كبير على مجالات أخرى؟ شاركونا في التعليقات!