論文の概要: CoughTrigger: Earbuds IMU Based Cough Detection Activator Using An Energy-efficient Sensitivity-prioritized Time Series Classifier

• arxiv url: http://arxiv.org/abs/2111.04185v1
• Date: Sun, 7 Nov 2021 21:39:51 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-09 17:28:46.176037
• Title: CoughTrigger: Earbuds IMU Based Cough Detection Activator Using An Energy-efficient Sensitivity-prioritized Time Series Classifier
• Title（参考訳）: CoughTrigger:Earbuds IMUを用いたエネルギー効率高感度優先順位時系列分類器
• Authors: Shibo Zhang, Ebrahim Nemati, Minh Dinh, Nathan Folkman, Tousif Ahmed, Mahbubur Rahman, Jilong Kuang, Nabil Alshurafa, Alex Gao
• Abstract要約: CoughTriggerは、耳栓の慣性測定ユニット(IMU)をコースティック検出アクティベーターとして使用している。 最小限のバッテリ使用量で、スタンバイサービスとして、オール・ザ・タイムで実行することができる。
• 参考スコア（独自算出の注目度）: 8.680417502791599
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Persistent coughs are a major symptom of respiratory-related diseases. Increasing research attention has been paid to detecting coughs using wearables, especially during the COVID-19 pandemic. Among all types of sensors utilized, microphone is most widely used to detect coughs. However, the intense power consumption needed to process audio signals hinders continuous audio-based cough detection on battery-limited commercial wearable products, such as earbuds. We present CoughTrigger, which utilizes a lower-power sensor, an inertial measurement unit (IMU), in earbuds as a cough detection activator to trigger a higher-power sensor for audio processing and classification. It is able to run all-the-time as a standby service with minimal battery consumption and trigger the audio-based cough detection when a candidate cough is detected from IMU. Besides, the use of IMU brings the benefit of improved specificity of cough detection. Experiments are conducted on 45 subjects and our IMU-based model achieved 0.77 AUC score under leave one subject out evaluation. We also validated its effectiveness on free-living data and through on-device implementation.
• Abstract（参考訳）: 持続的なせきは呼吸関連疾患の主要な症状である。 研究の注目は、特に新型コロナウイルス(COVID-19)のパンデミックの間、ウェアラブルを使用してうずくを検出するために支払われている。 あらゆる種類のセンサーの中で、マイクが最も広く使われている。 しかし、オーディオ信号を処理するのに必要な電力消費は、イヤーバッドのようなバッテリー限定の商用ウェアラブル製品において、連続的なオーディオベースの生地検出を妨げる。 本稿では,低消費電力センサ,慣性測定ユニット(IMU)を耳栓に装着したCoughTriggerについて,音声処理と分類のための高出力センサの起動を行う。 バッテリー消費が最小限のスタンバイサービスとして常時動作し、immから候補カフを検出すると音声ベースのカフ検出を起動することができる。 さらに、IMUの使用は、コウ検出の特異性の改善の恩恵をもたらす。 被験者45名を対象に実験を行い,IMUモデルによるAUCスコア0.77を得た。 また、その有効性は、フリーリビングデータおよびオンデバイス実装で検証した。

関連論文リスト

• OmniBuds: A Sensory Earable Platform for Advanced Bio-Sensing and On-Device Machine Learning [46.3331254985615]
  感覚ウェアラブルは、基本的なオーディオ拡張デバイスから、臨床レベルの健康モニタリングと健康管理のための高度なプラットフォームへと進化してきた。 本稿では,複数のバイオセンサと,機械学習アクセラレーションによって駆動される車載計算を統合した,先進的な知覚可能プラットフォームであるOmniBudsを紹介する。
  論文  参考訳（メタデータ） (2024-10-07T06:30:59Z)
• COVID-19 Detection System: A Comparative Analysis of System Performance Based on Acoustic Features of Cough Audio Signals [0.6963971634605796]
  本研究は、新型コロナウイルス検出における機械学習(ML)モデルの性能向上を図ることを目的としている。 MFCC(Mel Frequency Cepstral Coefficients)、クロマ(Chroma)、スペクトルコントラスト(Spectral Contrast)の3つの特徴抽出手法の有効性について検討し、2つの機械学習アルゴリズム、SVM(Support Vector Machine)とMLP(Multilayer Perceptron)に適用した。 提案システムでは,COUGHVIDデータセットでは0.843,Virufyでは0.953,最先端の分類性能を示す。
  論文  参考訳（メタデータ） (2023-09-08T08:33:24Z)
• EarCough: Enabling Continuous Subject Cough Event Detection on Hearables [19.116686904751873]
  粗いモニタリングは、新しい個別の肺健康への応用を可能にする。 本稿では,エッジコンピューティングの可聴部における連続的な被写体コークス事象検出を可能にするEarCoughを提案する。
  論文  参考訳（メタデータ） (2023-03-18T16:03:32Z)
• A Generic Deep Learning Based Cough Analysis System from Clinically Validated Samples for Point-of-Need Covid-19 Test and Severity Levels [85.41238731489939]
  臨床検体8,380名を対象に,Covid-19の迅速一次スクリーニングツールの検出性能について検討した。 提案手法は,経験的モード分解(EMD)に基づくアルゴリズムであり,その後に音声特徴量に基づく分類を行う。 DeepCoughの2つの異なるバージョン、すなわちDeepCough2DとDeepCough3Dのテンソル次元について検討した。
  論文  参考訳（メタデータ） (2021-11-10T19:39:26Z)
• Wake-Cough: cough spotting and cougher identification for personalised long-term cough monitoring [5.395757397475033]
  「ウェイクカフ」は、Resnet50を用いたコーズへのウェイクワードスポッティングの応用である。 ウェイクカフ(Wake-cough)は、個人化された非侵入的、粗いモニタリングシステムである。
  論文  参考訳（メタデータ） (2021-10-07T20:10:20Z)
• Cough Detection Using Selected Informative Features from Audio Signals [24.829135966052142]
  モデルは、ESC-50データセットと自己記録コークス記録を組み合わせたデータセットでトレーニングされる。 最高のコー検出モデルは、それぞれ94.9%、97.1%、93.1%、0.95の精度、リコール、精度、F1スコアを実現する。
  論文  参考訳（メタデータ） (2021-08-07T23:05:18Z)
• 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)
• Deep Neural Network based Cough Detection using Bed-mounted Accelerometer Measurements [6.004134549265193]
  我々は,患者のベッドに装着した加速度計から測定値に基づいて,うっ血検出を行った。 この形態の監視は、体に装着した加速度センサよりも侵入性が低く、音波を音波検出に使用する際に生じるプライバシー上の懸念の側面である。 スマートフォンの加速度計による測定のみに基づく高精度のコークスモニタリングが可能であると結論付けている。
  論文  参考訳（メタデータ） (2021-02-09T18:04:35Z)
• 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)
• Respiratory Sound Classification Using Long-Short Term Memory [62.997667081978825]
  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。
  論文  参考訳（メタデータ） (2020-08-06T23:11:57Z)
• Noisy Adaptive Group Testing using Bayesian Sequential Experimental Design [63.48989885374238]
  病気の感染頻度が低い場合、Dorfman氏は80年前に、人のテストグループは個人でテストするよりも効率が良いことを示した。 本研究の目的は,ノイズの多い環境で動作可能な新しいグループテストアルゴリズムを提案することである。
  論文  参考訳（メタデータ） (2020-04-26T23:41:33Z)

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。