論文の概要: Deep Neural Network Based Respiratory Pathology Classification Using Cough Sounds

• arxiv url: http://arxiv.org/abs/2106.12174v1
• Date: Wed, 23 Jun 2021 05:49:20 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-24 22:29:15.237383
• Title: Deep Neural Network Based Respiratory Pathology Classification Using Cough Sounds
• Title（参考訳）: Cough Sounds を用いたディープニューラルネットワークによる呼吸病理分類
• Authors: Balamurali B T, Hwan Ing Hee, Saumitra Kapoor, Oon Hoe Teoh, Sung Shin Teng, Khai Pin Lee, Dorien Herremans, Jer Ming Chen
• Abstract要約: 本研究では,健常児と病的児を区別できる深層学習に基づく音分類モデルを提案する。 我々は,臨床医の診断とラベル付きで,新しいうっつき音のデータセットを収集した。
• 参考スコア（独自算出の注目度）: 6.376404422444008
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Intelligent systems are transforming the world, as well as our healthcare system. We propose a deep learning-based cough sound classification model that can distinguish between children with healthy versus pathological coughs such as asthma, upper respiratory tract infection (URTI), and lower respiratory tract infection (LRTI). In order to train a deep neural network model, we collected a new dataset of cough sounds, labelled with clinician's diagnosis. The chosen model is a bidirectional long-short term memory network (BiLSTM) based on Mel Frequency Cepstral Coefficients (MFCCs) features. The resulting trained model when trained for classifying two classes of coughs -- healthy or pathology (in general or belonging to a specific respiratory pathology), reaches accuracy exceeding 84\% when classifying cough to the label provided by the physicians' diagnosis. In order to classify subject's respiratory pathology condition, results of multiple cough epochs per subject were combined. The resulting prediction accuracy exceeds 91\% for all three respiratory pathologies. However, when the model is trained to classify and discriminate among the four classes of coughs, overall accuracy dropped: one class of pathological coughs are often misclassified as other. However, if one consider the healthy cough classified as healthy and pathological cough classified to have some kind of pathologies, then the overall accuracy of four class model is above 84\%. A longitudinal study of MFCC feature space when comparing pathological and recovered coughs collected from the same subjects revealed the fact that pathological cough irrespective of the underlying conditions occupy the same feature space making it harder to differentiate only using MFCC features.
• Abstract（参考訳）: インテリジェントなシステムは、私たちの医療システムと同様に、世界を変えつつある。 本研究では,気管支喘息,上気道感染症(urti),下気道感染症(lrti)などの健康な小児と,病態のある小児の区別が可能な,深層学習に基づくcough音分類モデルを提案する。 深層ニューラルネットワークモデルをトレーニングするために,臨床医の診断でラベル付けされた新しいcough音のデータセットを収集した。 選択されたモデルは、Mel Frequency Cepstral Coefficients(MFCC)機能に基づいた双方向長短メモリネットワーク(BiLSTM)である。 結果として得られた訓練されたモデルは、健康または病理(一般には特定の呼吸器病理学に属する)の2つのクラスを分類するために訓練された場合、医師の診断によって提供されるラベルに分類すると、84\%を超える精度に達する。 対象者の呼吸病状を分類するために, 被験者1人あたりに複数カウエポックの結果が組み合わされた。 その結果、3つの呼吸器疾患の予測精度は91\%を超える。 しかし、モデルが4種類のうずくの分類と識別を行うように訓練されると、全体的な精度は低下し、1種類の病的くずはしばしば別のものと誤分類される。 しかし, 健康的, 病理学的に何らかの病態を有すると分類された健康性うがいを考慮すれば, 4種類のモデル全体の精度は84\%以上である。 MFCCの特徴空間の経時的変化は, 病理学的, 回復的生地を比較して検討した結果, 病態によらず病理的生地が同じ特徴空間を占めるため, MFCCの特徴のみを区別することが困難であった。

関連論文リスト

• Detecting Respiratory Pathologies Using Convolutional Neural Networks and Variational Autoencoders for Unbalancing Data [0.3749861135832073]
  このデータセットは920音で構成され、そのうち810音は慢性疾患、75音は非慢性疾患、35音は健常者のみである。 CNN(Convolutional Neural Network)は、呼吸音を健康、慢性、非慢性の病気に分類するために用いられる。 その結果,3ラベル分類では0.993 F-Score,6クラス分類では0.990 F-Scoreとなった。
  論文  参考訳（メタデータ） (2024-02-03T15:17:32Z)
• Federated Few-shot Learning for Cough Classification with Edge Devices [6.141439238018306]
  本研究の目的は,巨大なコークスデータが利用できない状況においても,コークス分類を行うことのできるフレームワークを開発することである。 我々は、F2LCoughと呼ばれる新しいフレームワークを設計するために、少数ショット学習とフェデレーション学習を採用し、新しい定式化問題を解く。 以上の結果から,数ショット学習とフェデレーション学習を組み合わせることで,コークス音の分類モデルを構築することが可能であることが示唆された。
  論文  参考訳（メタデータ） (2023-09-03T04:48:41Z)
• TotalSegmentator: robust segmentation of 104 anatomical structures in CT images [48.50994220135258]
  身体CT画像の深層学習セグメント化モデルを提案する。 このモデルは、臓器の容積、疾患の特徴、外科的または放射線療法計画などのユースケースに関連する104の解剖学的構造を区分することができる。
  論文  参考訳（メタデータ） (2022-08-11T15:16:40Z)
• Study on Transfer Learning Capabilities for Pneumonia Classification in Chest-X-Rays Image [11.076902397190961]
  本研究では,トランスファーラーニングパラダイムを用いて,確立されたニューラルネットワークアーキテクチャが肺炎分類課題に及ぼす影響について検討する。 総合的な比較をするために、よく知られた12のImageNet事前訓練モデルを微調整し、健康な人の胸部X線を識別するために使用した。 実験は、合計6330枚の画像を使用して、列車、検証、テストセットに分割された。
  論文  参考訳（メタデータ） (2021-10-06T14:00:18Z)
• Medulloblastoma Tumor Classification using Deep Transfer Learning with Multi-Scale EfficientNets [63.62764375279861]
  本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。 161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
  論文  参考訳（メタデータ） (2021-09-10T13:07:11Z)
• CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19 Patients Using Deep Learning [133.87426554801252]
  我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。 本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
  論文  参考訳（メタデータ） (2021-05-25T12:06:55Z)
• Relational Subsets Knowledge Distillation for Long-tailed Retinal Diseases Recognition [65.77962788209103]
  本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。 モデルがサブセット固有の知識の学習に集中するように強制する。 提案手法は長期網膜疾患認識タスクに有効であることが判明した。
  論文  参考訳（メタデータ） (2021-04-22T13:39:33Z)
• M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia Screening from CT Imaging [85.00066186644466]
  マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。 COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
  論文  参考訳（メタデータ） (2020-10-07T06:22:24Z)
• Can Machine Learning Be Used to Recognize and Diagnose Coughs? [3.2265234594751155]
  呼吸器感染症のスクリーニングには,低複雑性,自動認識,診断ツールが有用である。 コンボリューショナルニューラルネットワーク (CNN) を用いて, 環境音のコアを検出し, 3つの潜在的な疾患を診断する。 提案された検出モデルと診断モデルはどちらも精度が89%以上であり、計算効率も高い。
  論文  参考訳（メタデータ） (2020-04-01T20:14:36Z)
• Viral Pneumonia Screening on Chest X-ray Images Using Confidence-Aware Anomaly Detection [86.81773672627406]
  短期間のウイルス性肺炎の集団は、SARS、MERS、最近のCOVID-19のような流行やパンデミックのハービンガーである可能性がある。 胸部X線によるウイルス性肺炎の迅速かつ正確な検出は,大規模スクリーニングや流行予防に有用である。 ウイルス性肺炎はしばしば多彩な原因を持ち、X線画像に顕著な視覚的外観を示す。
  論文  参考訳（メタデータ） (2020-03-27T11:32:18Z)
• 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。

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。