論文の概要: Improved Breath Phase and Continuous Adventitious Sound Detection in Lung and Tracheal Sound Using Mixed Set Training and Domain Adaptation

• arxiv url: http://arxiv.org/abs/2107.04229v1
• Date: Fri, 9 Jul 2021 06:04:18 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-12 13:34:05.241742
• Title: Improved Breath Phase and Continuous Adventitious Sound Detection in Lung and Tracheal Sound Using Mixed Set Training and Domain Adaptation
• Title（参考訳）: 混合訓練とドメイン適応を用いた肺・気管音の呼吸位相の改善と持続的予防音検出
• Authors: Fu-Shun Hsu, Shang-Ran Huang, Chang-Fu Su, Chien-Wen Huang, Yuan-Ren Cheng, Chun-Chieh Chen, Chun-Yu Wu, Chung-Wei Chen, Yen-Chun Lai, Tang-Wei Cheng, Nian-Jhen Lin, Wan-Ling Tsai, Ching-Shiang Lu, Chuan Chen, Feipei Lai
• Abstract要約: 気管音響データベースHF_Tracheal_V1を構築し、15秒間の気管音響記録の11107、吸入ラベル23087、吸入ラベル16728、吸入ラベル6874、CASラベル6874を含む。 HF_Tracheal_V1の気管音とHF_Lung_V2の肺音を組み合わせるか、単独でCNN-BiGRUモデルを訓練し、気管音響解析を行った。
• 参考スコア（独自算出の注目度）: 2.405718960148456
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Previously, we established a lung sound database, HF_Lung_V2 and proposed convolutional bidirectional gated recurrent unit (CNN-BiGRU) models with adequate ability for inhalation, exhalation, continuous adventitious sound (CAS), and discontinuous adventitious sound detection in the lung sound. In this study, we proceeded to build a tracheal sound database, HF_Tracheal_V1, containing 11107 of 15-second tracheal sound recordings, 23087 inhalation labels, 16728 exhalation labels, and 6874 CAS labels. The tracheal sound in HF_Tracheal_V1 and the lung sound in HF_Lung_V2 were either combined or used alone to train the CNN-BiGRU models for respective lung and tracheal sound analysis. Different training strategies were investigated and compared: (1) using full training (training from scratch) to train the lung sound models using lung sound alone and train the tracheal sound models using tracheal sound alone, (2) using a mixed set that contains both the lung and tracheal sound to train the models, and (3) using domain adaptation that finetuned the pre-trained lung sound models with the tracheal sound data and vice versa. Results showed that the models trained only by lung sound performed poorly in the tracheal sound analysis and vice versa. However, the mixed set training and domain adaptation can improve the performance of exhalation and CAS detection in the lung sound, and inhalation, exhalation, and CAS detection in the tracheal sound compared to positive controls (lung models trained only by lung sound and vice versa). Especially, a model derived from the mixed set training prevails in the situation of killing two birds with one stone.
• Abstract（参考訳）: 従来, 肺音データベースHF_Lung_V2を構築し, 吸入, 吸入, 持続的興奮音 (CAS) , 不連続的不定音検出能力を有する畳み込み双方向ゲート再帰器 (CNN-BiGRU) モデルを提案した。 本研究では, 気管音響データベースHF_Tracheal_V1を構築し, 15秒間気管音響記録の11107, 23087 吸入ラベル, 16728 吸入ラベル, 6874 CASラベルを含む。 HF_Tracheal_V1の気管音とHF_Lung_V2の肺音を組み合わせるか単独でCNN-BiGRUモデルを訓練し,気管音響解析を行った。 その結果,(1)完全訓練(スクラッチからトレーニング)を用いて気管音を用いて肺音モデルを訓練し,(2)気管音のみを用いて気管音モデルを訓練すること,(2)気管音と気管音の両方を含む混合セットを用いてモデルを訓練すること,(3)気管音データと予め訓練された肺音モデルを微調整した領域適応を用いること,の2つを比較した。 その結果, 気管音響解析では, 肺音のみを訓練したモデルが不十分であった。 しかし、混合セットトレーニングとドメイン適応は、肺音における呼気およびCAS検出の性能を改善し、気管音における吸気、呼気、CAS検出を正の制御(肺音でのみ訓練された肺モデルとその逆)と比較して改善することができる。 特に2羽の鳥を1羽の石で殺す場合、混合セットトレーニングに由来するモデルが一般的である。

関連論文リスト

• Self-Supervised Pretraining Improves Performance and Inference Efficiency in Multiple Lung Ultrasound Interpretation Tasks [65.23740556896654]
  肺超音波検査における複数分類課題に適用可能なニューラルネットワーク特徴抽出器を,自己指導型プレトレーニングで作成できるかどうかを検討した。 3つの肺超音波のタスクを微調整すると、事前訓練されたモデルにより、各テストセットの受信操作曲線(AUC)における平均クロスタスク面積は、それぞれ0.032と0.061に改善された。
  論文  参考訳（メタデータ） (2023-09-05T21:36:42Z)
• Using BOLD-fMRI to Compute the Respiration Volume per Time (RTV) and Respiration Variation (RV) with Convolutional Neural Networks (CNN) in the Human Connectome Development Cohort [55.41644538483948]
  本研究では, RVとRVTの2つの呼吸対策を再現するための1次元CNNモデルを提案する。 その結果、CNNはBOLD信号の静止から情報的特徴を捉え、現実的なRVとRVTのタイムリーを再構築できることがわかった。
  論文  参考訳（メタデータ） (2023-07-03T18:06:36Z)
• Patch-Mix Contrastive Learning with Audio Spectrogram Transformer on Respiratory Sound Classification [19.180927437627282]
  本稿では,潜在空間における混合表現を識別するために,新規かつ効果的なパッチ・ミクス・コントラスト学習を提案する。 提案手法はICBHIデータセット上での最先端性能を実現し,4.08%の改善により先行先行スコアを上回った。
  論文  参考訳（メタデータ） (2023-05-23T13:04:07Z)
• The role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
  病理脳病変は脳画像に多彩な外観を示す。 正規データのみを用いた教師なし異常検出手法が提案されている。 空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-01-19T21:39:38Z)
• BinauralGrad: A Two-Stage Conditional Diffusion Probabilistic Model for Binaural Audio Synthesis [129.86743102915986]
  我々は、音声を共通部分へ分解することで、異なる視点から合成プロセスを定式化する。 拡散モデルを備えた新しい2段階フレームワークであるBinauralGradを提案する。 実験結果から,BinauralGradは対象評価指標と対象評価指標の両方において,既存のベースラインよりも高い性能を示した。
  論文  参考訳（メタデータ） (2022-05-30T02:09:26Z)
• Lung Sound Classification Using Co-tuning and Stochastic Normalization [26.399917342840265]
  事前学習されたモデルの知識は、バニラファインチューニング、コチューニング、正規化、コチューニングと正規化の組み合わせを用いて伝達される。 提案システムは, 両データセットの異常な肺音と呼吸器疾患に対して, 最先端の肺音分類システムよりも優れていた。
  論文  参考訳（メタデータ） (2021-08-04T12:16:02Z)
• 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)
• Crackle Detection In Lung Sounds Using Transfer Learning And Multi-Input Convolitional Neural Networks [26.399917342840265]
  肺音のクラックル検出における記録設定のミスマッチに対処するために,転送学習を用いる。 単一の入力畳み込みニューラルネットワーク(CNN)モデルは、肺音の最大の公開データベースであるIBHI 2017を使用して、ソースドメインで事前に訓練されます。 マルチインプットモデルは, クラックや正常な肺音を分類するために, 自己収集肺音データベースのターゲット領域に微調整される。
  論文  参考訳（メタデータ） (2021-04-30T11:32:42Z)
• Benchmarking of eight recurrent neural network variants for breath phase and adventitious sound detection on a self-developed open-access lung sound database-HF_Lung_V1 [0.35775620736088914]
  頑健なコンピュータ化された呼吸音解析アルゴリズムは、まだ実用化には至っていない。 我々は,9,765個の肺音の音声ファイルからなる肺音データベース(HF_Lung_V1)を開発した。 その結果,これらのモデルは肺の音像解析において十分な性能を示した。
  論文  参考訳（メタデータ） (2021-02-05T08:21:28Z)
• The Diagnosis of Asthma using Hilbert-Huang Transform and Deep Learning on Lung Sounds [2.294014185517203]
  ヒルベルト変換を肺音に適用することにより抽出される固有モード関数から統計的特徴を算出した。 喘息および健常者からの肺音の分類はDeep Belief Networks(DBN)を用いて行われる。
  論文  参考訳（メタデータ） (2021-01-20T19:04:33Z)
• Detecting COVID-19 from Breathing and Coughing Sounds using Deep Neural Networks [68.8204255655161]
  私たちは、Convolutional Neural Networksのアンサンブルを適応させて、スピーカーがCOVID-19に感染しているかどうかを分類します。 最終的には、74.9%のUnweighted Average Recall(UAR)、またはニューラルネットワークをアンサンブルすることで、ROC曲線(AUC)の80.7%を達成する。
  論文  参考訳（メタデータ） (2020-12-29T01:14:17Z)

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。