睡眠呼吸暂停是一种在睡眠期间人的呼吸中断时发生的疾病，估计影响了大约2200万美国人。麻烦的是，大部分病例--80% - 未被诊断，如果不及时治疗，睡眠呼吸暂停会增加患冠状动脉疾病，心脏病，心力衰竭和中风的风险。
一个研究领域 - 自动打鼾声音分类，或ASSC--旨在开发一种基于打鼾声音的睡眠呼吸暂停诊断方法(睡眠呼吸暂停的特点是减少或完全停止气流的重复发作)。但是，尽管近年来取得了进展，但仍然缺乏可以训练ASSC系统的标记数据。
这就是为什么伦敦帝国理工学院，奥格斯堡大学和慕尼黑技术大学的研究人员在一篇新论文(“ Snore-GANs：用合成数据改进自动打鼾声音分类 ”)中寻求开发创造合成的生成对抗网络(GAN)的原因。数据填补实际数据的空白。(对于没有经验的人来说，GAN是由生成样本和鉴别器的生成器组成的两部分神经网络，试图区分生成的样本和现实样本。)然后使用增强数据集来训练ASSC。
“在进行数据增强时，我们聚合来自所有[GAN]的数据，并从池中随机选择进一步合并到原始训练集中的数据。通过这样做，预计将扩大来自单独[GAN]的增强数据的多样性，“该论文的作者解释说。
为了验证他们的方法，他们使用了一个公开的数据集 - 慕尼黑 - 帕萨鼾声音库(MPSSC) - 在打鼾时对上呼吸道内的振动位置进行分类，从德国三个医疗中心现有的检查记录开始2006年至2015年期间的临床检查。根据随附视频记录的结果，选择的打鼾事件由医疗耳鼻喉专家分类，注释的样本分为独立于受试者的培训，开发和测试集。
那个方法怎么样呢?该论文的作者报告说，他们成功地生成了与原始数据共享分布的数据，从而导致培训数据量的增加，而无需人工注释。此外，他们说，合成和原始数据的结合改善了分类器的性能。
“未来，我们将不断收集来自不同医院和患者的更多鼾声数据，以增加数据量和多样性，我们将重新评估所提出的方法，”研究人员说。“此外，我们将在以下工作中进一步提出和评估更先进的......系统，以改进声学序列生成模型。”