Fugu-MT 論文翻訳(概要): Respiratory Sound Classification Using Long-Short Term Memory

論文の概要: Respiratory Sound Classification Using Long-Short Term Memory

arxiv url: http://arxiv.org/abs/2008.02900v1
Date: Thu, 6 Aug 2020 23:11:57 GMT
ステータス: 処理完了
システム内更新日: 2022-11-02 08:09:48.120441
Title: Respiratory Sound Classification Using Long-Short Term Memory
Title（参考訳）: 長期記憶を用いた呼吸音の分類
Authors: Chelsea Villanueva, Joshua Vincent, Alexander Slowinski, Mohammad-Parsa Hosseini
Abstract要約: 本稿では,呼吸器疾患の分類に関連して,音の分類を行おうとする際の問題点について検討する。このようなタスクをどのように実装できるかを特定するために、ディープラーニングと長期短期記憶ネットワークの使用の検討を行う。
参考スコア（独自算出の注目度）: 62.997667081978825
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Developing a reliable sound detection and recognition system offers many benefits and has many useful applications in different industries. This paper examines the difficulties that exist when attempting to perform sound classification as it relates to respiratory disease classification. Some methods which have been employed such as independent component analysis and blind source separation are examined. Finally, an examination on the use of deep learning and long short-term memory networks is performed in order to identify how such a task can be implemented.
Abstract（参考訳）: 信頼性の高い音響検出・認識システムの開発は多くの利点があり、様々な産業で有用な応用が期待できる。本稿では,呼吸病の分類に係わる音の分類を行う際に生じる困難について検討する。独立成分分析やブラインドソース分離など,いくつかの手法が採用されている。最後に、そのようなタスクをどのように実装できるかを特定するために、ディープラーニングと長期短期記憶ネットワークの使用に関する検討を行う。

関連論文リスト

Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文参考訳（メタデータ） (2023-10-11T05:49:47Z)
Evaluating generative audio systems and their metrics [80.97828572629093]
本報告では,従来提案されていた音声再建のための目標尺度のセットと,聴取研究を併用して,最先端のアプローチについて検討する。その結果、現在使われている客観的指標は、現在のシステムの知覚的品質を記述するのに不十分であることが示唆された。
論文参考訳（メタデータ） (2022-08-31T21:48:34Z)
Deep Feature Learning for Medical Acoustics [78.56998585396421]
本研究の目的は,医療音響の課題における学習内容の比較である。ヒトの呼吸音と心臓の鼓動を健康的または病態の影響の2つのカテゴリに分類する枠組みが実装されている。
論文参考訳（メタデータ） (2022-08-05T10:39:37Z)
Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文参考訳（メタデータ） (2022-05-08T15:29:54Z)
An Incremental Learning Approach to Automatically Recognize Pulmonary Diseases from the Multi-vendor Chest Radiographs [2.867517731896504]
肺疾患は重篤な呼吸障害を引き起こし、時間的に治療されないと突然死亡する。多くの研究者が、胸部X線(CXR)を用いた肺疾患の診断にディープラーニングシステムを利用している。しかし,このようなシステムでは胸部異常を効果的に診断するために,大規模データに対する徹底的な訓練が必要である。
論文参考訳（メタデータ） (2022-01-07T18:14:50Z)
A Machine Learning Approach for Delineating Similar Sound Symptoms of Respiratory Conditions on a Smartphone [0.0]
我々は、現代のスマートフォンの計算能力と記憶能力の改善を活用し、機械学習アルゴリズムを用いて呼吸音の症状を識別する。携帯電話上でのこれらのアルゴリズムの性能は、スマートフォンがリアルタイムシナリオにおける呼吸症状の認識と識別のための代替ツールであることを示している。
論文参考訳（メタデータ） (2021-10-15T07:24:30Z)
Respiratory Distress Detection from Telephone Speech using Acoustic and Prosodic Features [27.77184655808592]
本研究は,よく知られた音響・韻律的特徴を用いた呼吸困難の自動検出に関する予備的知見を要約する。音声サンプルはバングラデシュの医療機関から未確認の遠隔医療電話から収集される。呼吸困難は、声質、発声パターン、発声時間、発声時間などの音声特徴を変化させる可能性があると仮定する。
論文参考訳（メタデータ） (2020-11-15T13:32:45Z)
Capturing scattered discriminative information using a deep architecture in acoustic scene classification [49.86640645460706]
本研究では,識別情報を捕捉し,同時に過度に適合する問題を緩和する様々な手法について検討する。我々は、ディープニューラルネットワークにおける従来の非線形アクティベーションを置き換えるために、Max Feature Map法を採用する。 2つのデータ拡張方法と2つの深いアーキテクチャモジュールは、システムの過度な適合を減らし、差別的なパワーを維持するためにさらに検討されている。
論文参考訳（メタデータ） (2020-07-09T08:32:06Z)
CNN-MoE based framework for classification of respiratory anomalies and lung disease detection [33.45087488971683]
本稿では,聴取分析のための頑健な深層学習フレームワークを提示し,検討する。呼吸周期の異常を分類し、呼吸音の記録から病気を検出することを目的としている。
論文参考訳（メタデータ） (2020-04-04T21:45:06Z)
Robust Deep Learning Framework For Predicting Respiratory Anomalies and Diseases [26.786743524562322]
本稿では,呼吸音の記録から呼吸器疾患を検出するための,堅牢な深層学習フレームワークを提案する。バックエンドのディープラーニングモデルは、特徴を呼吸器疾患または異常のクラスに分類する。 ICBHIベンチマークを用いて実験を行い, 音の分類能力を評価する。
論文参考訳（メタデータ） (2020-01-21T15:26:52Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。