Fugu-MT 論文翻訳(概要): Automatic Classification of OSA related Snoring Signals from Nocturnal Audio Recordings

論文の概要: Automatic Classification of OSA related Snoring Signals from Nocturnal Audio Recordings

arxiv url: http://arxiv.org/abs/2102.12829v1
Date: Thu, 25 Feb 2021 13:04:30 GMT
ステータス: 処理完了
システム内更新日: 2021-02-26 21:53:55.222846
Title: Automatic Classification of OSA related Snoring Signals from Nocturnal Audio Recordings
Title（参考訳）: 夜間オーディオ記録からのOSA関連スノーリング信号の自動分類
Authors: Arun Sebastian, Peter A. Cistulli, Gary Cohen, Philip de Chazal
Abstract要約: 閉塞性睡眠時無呼吸(OSA)患者の夜間音声記録をOSA関連スノア、単純なスノア、その他の音に分類する自動アルゴリズムを提案する。音声信号の時間および周波数特性を抽出し、音声信号をOSA関連スヌーア、簡易スヌーアおよび他の音に分類した。
参考スコア（独自算出の注目度）: 0.30586855806896046
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this study, the development of an automatic algorithm is presented to classify the nocturnal audio recording of an obstructive sleep apnoea (OSA) patient as OSA related snore, simple snore and other sounds. Recent studies has been shown that knowledge regarding the OSA related snore could assist in identifying the site of airway collapse. Audio signal was recorded simultaneously with full-night polysomnography during sleep with a ceiling microphone. Time and frequency features of the nocturnal audio signal were extracted to classify the audio signal into OSA related snore, simple snore and other sounds. Two algorithms were developed to extract OSA related snore using an linear discriminant analysis (LDA) classifier based on the hypothesis that OSA related snoring can assist in identifying the site-of-upper airway collapse. An unbiased nested leave-one patient-out cross-validation process was used to select a high performing feature set from the full set of features. Results indicated that the algorithm achieved an accuracy of 87% for identifying snore events from the audio recordings and an accuracy of 72% for identifying OSA related snore events from the snore events. The direct method to extract OSA-related snore events using a multi-class LDA classifier achieved an accuracy of 64% using the feature selection algorithm. Our results gives a clear indication that OSA-related snore events can be extracted from nocturnal sound recordings, and therefore could potentially be used as a new tool for identifying the site of airway collapse from the nocturnal audio recordings.
Abstract（参考訳）: 本研究は, 閉塞性睡眠時無呼吸症(OSA)患者の夜間音声記録をOSA関連スノア, 単純スノア, その他の音に分類するための自動アルゴリズムの開発である。最近の研究では、OSA関連スヌールに関する知識が気道崩壊部位の特定に役立つことが示されている。天井マイクロホンによる睡眠中, フルナイトポリソムノグラフィと同時に音声信号が記録された。夜間音声信号の時間および周波数特性を抽出し、音声信号をOSA関連スネア、簡易スネアおよび他の音に分類した。 OSA関連スヌーリングが上方気道崩壊の特定に役立つという仮説に基づいて, 線形識別分析(LDA)分類器を用いてOSA関連スヌーアを抽出するアルゴリズムを開発した。完全な機能セットからハイパフォーマンスな機能セットを選択するために、未偏りのnested leave-one の患者なしのクロスバリデーションプロセスが使用された。その結果,音声記録からスノーアイベントを同定する精度は87%,OSA関連スノーアイベントをスノーアイベントから同定する精度は72%であった。マルチクラスLDA分類器を用いてOSA関連スノアイベントを抽出する直接手法は,特徴選択アルゴリズムを用いて64%の精度を実現した。以上の結果から, 夜間音声記録からOSA関連スノアイベントを抽出できることが明らかとなり, 夜間音声記録から気道崩壊箇所を同定するための新しいツールとして利用できる可能性が示唆された。

関連論文リスト

Improving snore detection under limited dataset through harmonic/percussive source separation and convolutional neural networks [0.0]
Snoringは閉塞性睡眠時無呼吸症候群(OSAS)患者によく見られる音響バイオマーカーである入力音の高調波成分を解析し,非遮音音とモノラル音を区別する新しい手法を提案する。
論文参考訳（メタデータ） (2024-10-31T10:27:48Z)
A Deep Learning Approach to Localizing Multi-level Airway Collapse Based on Snoring Sounds [1.165734481380989]
閉塞型睡眠時無呼吸症候群(OSA)患者における上気道の異なるレベルの刺激音の分類にマシン/ディープ学習の適用について検討した。 39名を対象に,Vellum,Oropharynx,Tongue Base,Epiglottis (VOTE) 分類システムを用いて,聴力評価を行った。畳み込みニューラルネットワーク(CNN)であるResNet-50は、いびき音の分類において、最高の全体的な性能を示した。
論文参考訳（メタデータ） (2024-08-28T09:30:20Z)
Unsupervised Denoising for Signal-Dependent and Row-Correlated Imaging Noise [54.0185721303932]
本稿では,行関連の画像ノイズを処理できる,教師なしのディープラーニングベースデノイザについて紹介する。提案手法では,特殊設計の自己回帰デコーダを備えた変分オートエンコーダを用いる。本手法では,事前学習した雑音モデルを必要としないため,雑音のないデータを用いてスクラッチから訓練することができる。
論文参考訳（メタデータ） (2023-10-11T20:48:20Z)
Online Obstructive Sleep Apnea Detection Based on Hybrid Machine Learning And Classifier Combination For Home-based Applications [3.199352681587309]
閉塞性睡眠時無呼吸症(OSA)は、現在の世紀で最も多い疾患の1つである。本稿では,オンラインOSA検出のためのいくつかの構成を提案する。提案手法は, 生体信号の使用制限, 自動検出, オンライン作業計画, 均一かつ許容可能な全データベースの性能(85%以上) などの利点を有する。
論文参考訳（メタデータ） (2021-10-01T21:39:23Z)
Project Achoo: A Practical Model and Application for COVID-19 Detection from Recordings of Breath, Voice, and Cough [55.45063681652457]
コンシューマー端末で録音した音声を用いて、新型コロナウイルスを迅速にトリアージする機械学習手法を提案する。この手法は,信号処理手法と微調整深層学習ネットワークを組み合わせることで,信号の識別,コークス検出,分類を行う手法を提供する。我々はまた、症状チェッカーと音声、息、うず信号を使って新型コロナウイルスの感染を検知するモバイルアプリケーションを開発し、展開した。
論文参考訳（メタデータ） (2021-07-12T08:07:56Z)
Convolutional Neural Networks for Sleep Stage Scoring on a Two-Channel EEG Signal [63.18666008322476]
睡眠障害は、世界中の主要な病気の1つです。専門家が使用する基本的なツールはPolysomnogramで、睡眠中に記録された様々な信号の集合である。専門家は、標準的なガイドラインの1つに従って異なる信号を採点する必要があります。
論文参考訳（メタデータ） (2021-03-30T09:59:56Z)
Speech Enhancement for Wake-Up-Word detection in Voice Assistants [60.103753056973815]
キースポッティング、特にWake-Up-Word(WUW)検出は音声アシスタントにとって非常に重要なタスクである。本稿では,WUW検出に適応した音声強調モデルを提案する。これらのノイズの存在下で、認識率を高め、誤報を減らすことを目的としている。
論文参考訳（メタデータ） (2021-01-29T18:44:05Z)
MSED: a multi-modal sleep event detection model for clinical sleep analysis [62.997667081978825]
ポリソムノグラムで睡眠イベントを共同検出する,単一のディープニューラルネットワークアーキテクチャを設計した。モデルの性能は,F1,精度,リコールスコア,および指標値と臨床値との相関で定量化した。
論文参考訳（メタデータ） (2021-01-07T13:08:44Z)
Adaptive noise imitation for image denoising [58.21456707617451]
本研究では,自然雑音画像からノイズデータを合成できる新しいテキストバッファ適応ノイズ模倣(ADANI)アルゴリズムを開発した。現実的なノイズを生成するため、ノイズ発生装置はノイズ発生のガイドとなる雑音/クリーン画像を入力として利用する。 ADANIから出力されるノイズデータとそれに対応する基盤構造とを結合すると、デノイングCNNは、完全に教師された方法で訓練される。
論文参考訳（メタデータ） (2020-11-30T02:49:36Z)
Sleep Stage Scoring Using Joint Frequency-Temporal and Unsupervised Features [5.104181562775778]
多くの自動睡眠ステージ認識法が提案されている。これらの手法のほとんどは、バイタル信号から抽出された時間周波数の特徴を用いる。近年,教師なし特徴抽出にディープニューラルネットワークを用いるASSR法が提案されている。本稿では,この2つのアイデアを組み合わせて,時間周波数と教師なしの特徴を同時に利用することを提案する。
論文参考訳（メタデータ） (2020-04-10T02:00:29Z)
Automatic scoring of apnea and hypopnea events using blood oxygen saturation signals [0.0]
DAS-KSVDを用いて、睡眠健康研究データベースから得られた信号から無呼吸および低呼吸の事象を検出し分類した。中等度から重度のOSAHスクリーニングでは、それぞれ0.957の曲線と87.56%と88.32%の診断感度と特異性を示す特性曲線解析を行う。
論文参考訳（メタデータ） (2020-03-22T15:17:20Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。