Fugu-MT 論文翻訳(概要): Deep Learning Framework Applied for Predicting Anomaly of Respiratory Sounds

論文の概要: Deep Learning Framework Applied for Predicting Anomaly of Respiratory Sounds

arxiv url: http://arxiv.org/abs/2012.13668v1
Date: Sat, 26 Dec 2020 03:09:36 GMT
ステータス: 翻訳完了
システム内更新日: 2021-04-25 01:11:34.261278
Title: Deep Learning Framework Applied for Predicting Anomaly of Respiratory Sounds
Title（参考訳）: 呼吸音の異常予測のための深層学習フレームワーク
Authors: Dat Ngo, Lam Pham, Anh Nguyen, Ben Phan, Khoa Tran, Truong Nguyen
Abstract要約: 本稿では,呼吸周期異常の分類に用いる堅牢な深層学習フレームワークを提案する。本研究では、2017年度のバイオメディカルヘルスインフォマティクス(ICBHI)ベンチマークデータセットに関する内部会議で実験を行った。
参考スコア（独自算出の注目度）: 11.375037967010224
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper proposes a robust deep learning framework used for classifying anomaly of respiratory cycles. Initially, our framework starts with front-end feature extraction step. This step aims to transform the respiratory input sound into a two-dimensional spectrogram where both spectral and temporal features are well presented. Next, an ensemble of C- DNN and Autoencoder networks is then applied to classify into four categories of respiratory anomaly cycles. In this work, we conducted experiments over 2017 Internal Conference on Biomedical Health Informatics (ICBHI) benchmark dataset. As a result, we achieve competitive performances with ICBHI average score of 0.49, ICBHI harmonic score of 0.42.
Abstract（参考訳）: 本稿では,呼吸サイクルの異常を分類するためのロバストなディープラーニングフレームワークを提案する。まず、フレームワークはフロントエンドの機能抽出ステップから始まります。このステップは、呼吸入力音をスペクトルと時間的特徴をよく表現した2次元スペクトログラムに変換することを目的としている。次に、C-DNNとオートエンコーダネットワークのアンサンブルを用いて、呼吸異常サイクルの4つのカテゴリに分類する。本研究は2017年にICBHI(Institutal Conference on Biomedical Health Informatics)ベンチマークデータセットを用いて実施した。その結果,ICBHI平均スコア0.49,IABHI高調波スコア0.42の競争性能が得られた。

関連論文リスト

CycleGuardian: A Framework for Automatic RespiratorySound classification Based on Improved Deep clustering and Contrastive Learning [9.215130010602634]
早期の呼吸器および肺疾患の診断において,聴診は重要な役割を担っている。既存の最先端モデルは過剰なパラメータサイズに悩まされており、リソース制約のあるモバイルプラットフォームへのデプロイを妨げている。改良されたディープクラスタリングとコントラスト学習に基づくフレームワークを提案する。われわれはこのネットワークをAndroidデバイスに展開し、総合的なインテリジェントな呼吸音聴取システムを示す。
論文参考訳（メタデータ） (2025-02-02T09:56:47Z)
Towards Enhanced Classification of Abnormal Lung sound in Multi-breath: A Light Weight Multi-label and Multi-head Attention Classification Method [0.0]
本研究は, 肺の異常な呼吸音を分類するための補助診断システムを開発することを目的とする。既存の呼吸音データセットにおけるクラス不均衡と多様性の欠如の問題に対処するため,本研究では軽量で高精度なモデルを用いた。
論文参考訳（メタデータ） (2024-07-15T15:40:02Z)
An Inception-Residual-Based Architecture with Multi-Objective Loss for Detecting Respiratory Anomalies [10.29057783664056]
本稿では,呼吸音の録音から異常を検出するための深層学習システムを提案する。本システムでは,呼吸異常を分類するために,インセプションをベースとしたバックボーンモデルとマルチヘッドアテンションと多目的損失を統合した。
論文参考訳（メタデータ） (2023-03-07T18:10:05Z)
Low-complexity deep learning frameworks for acoustic scene classification [64.22762153453175]
音響シーン分類(ASC)のための低複雑さ深層学習フレームワークを提案する。提案するフレームワークは、フロントエンドのスペクトログラム抽出、オンラインデータ拡張、バックエンドの分類、予測される確率の後期融合の4つの主要なステップに分けることができる。 DCASE 2022 Task 1 Development データセットで実施した実験は,低複雑さの要求を十分に満たし,最も高い分類精度を 60.1% で達成した。
論文参考訳（メタデータ） (2022-06-13T11:41:39Z)
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)
Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文参考訳（メタデータ） (2022-02-22T15:24:06Z)
G-DetKD: Towards General Distillation Framework for Object Detectors via Contrastive and Semantic-guided Feature Imitation [49.421099172544196]
そこで本研究では,すべてのピラミッドレベルにまたがる特徴ペア間のソフトマッチングを自動的に行う,意味誘導型特徴模倣手法を提案する。また,異なる特徴領域間の関係で符号化された情報を効果的に捉えるために,コントラスト蒸留を導入する。本手法は,(1)フレームワークのコンポーネントを別々に使用した場合に,既存の検出KD技術よりも優れた性能を発揮する。
論文参考訳（メタデータ） (2021-08-17T07:44:27Z)
Inception-Based Network and Multi-Spectrogram Ensemble Applied For Predicting Respiratory Anomalies and Lung Diseases [16.318395700171624]
本稿では,呼吸音入力を用いた肺疾患検出のためのインセプションベースディープニューラルネットワークを提案する。患者から収集された呼吸音の記録はスペクトログラムに変換され、スペクトル情報と時間情報の両方が提示される。これらのスペクトログラムは、肺関連疾患に罹患する患者を検出するために、バックエンド分類と呼ばれる提案されたネットワークに供給される。
論文参考訳（メタデータ） (2020-12-26T08:25:02Z)
Multilabel 12-Lead Electrocardiogram Classification Using Gradient Boosting Tree Ensemble [64.29529357862955]
我々は,心電図の診断を分類するために,形態や信号処理機能に適合した勾配強化木のアンサンブルを用いたアルゴリズムを構築した。各リードについて、心拍変動、PQRSTテンプレート形状、全信号波形から特徴を導出する。各クラスに属するECGインスタンスの確率を予測するため、全12項目の特徴と合わせて、勾配を増す決定ツリーの集合に適合する。
論文参考訳（メタデータ） (2020-10-21T18:11:36Z)
A Computationally Efficient Multiclass Time-Frequency Common Spatial Pattern Analysis on EEG Motor Imagery [164.93739293097605]
共通空間パターン(CSP)は脳波(EEG)運動画像(MI)の一般的な特徴抽出法である本研究では,従来のCSPアルゴリズムを改良し,マルチクラスMI分類精度を改善し,計算処理の効率化を図る。
論文参考訳（メタデータ） (2020-08-25T18:23:50Z)
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。