論文の概要: Responding to Challenge Call of Machine Learning Model Development in
Diagnosing Respiratory Disease Sounds
- arxiv url: http://arxiv.org/abs/2111.14354v1
- Date: Mon, 29 Nov 2021 07:18:36 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-01 02:38:45.108672
- Title: Responding to Challenge Call of Machine Learning Model Development in
Diagnosing Respiratory Disease Sounds
- Title（参考訳）: 呼吸器疾患音の診断における機械学習モデル開発への挑戦
- Authors: Negin Melek
- Abstract要約: 疾患診断において,くしゃみやうしゃみなどの呼吸系音を自動的に検出する機械学習モデルを開発した。
3つの異なる分類手法が3800以上の異なる音を含むデータセットにおいて呼吸音の分類に成功していると考えられた。
音質を分類し、他の音から音を嗅ぐ試みとして、RBFカーネルを搭載したSVMが83%の成功で達成された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this study, a machine learning model was developed for automatically
detecting respiratory system sounds such as sneezing and coughing in disease
diagnosis. The automatic model and approach development of breath sounds, which
carry valuable information, results in early diagnosis and treatment. A
successful machine learning model was developed in this study, which was a
strong response to the challenge called the "Pfizer digital medicine challenge"
on the "OSFHOME" open access platform. "Environmental sound classification"
called ESC-50 and AudioSet sound files were used to prepare the dataset. In
this dataset, which consisted of three parts, features that effectively showed
coughing and sneezing sound analysis were extracted from training, testing and
validating samples. Based on the Mel frequency cepstral coefficients (MFCC)
feature extraction method, mathematical and statistical features were prepared.
Three different classification techniques were considered to perform successful
respiratory sound classification in the dataset containing more than 3800
different sounds. Support vector machine (SVM) with radial basis function (RBF)
kernels, ensemble aggregation and decision tree classification methods were
used as classification techniques. In an attempt to classify coughing and
sneezing sounds from other sounds, SVM with RBF kernels was achieved with 83%
success.
- Abstract（参考訳）: 本研究では, 疾患診断におけるくしゃみやうずなどの呼吸系音を自動的に検出する機械学習モデルを開発した。
有用な情報を含む呼吸音の自動モデルとアプローチの開発は、早期診断と治療に繋がる。
この研究で成功した機械学習モデルは、"osfhome"オープンアクセスプラットフォームにおける"pfizer digital medicine challenge"と呼ばれる課題に対する強い反応として開発された。
データセットの作成にはESC-50とAudioSetという環境音分類が用いられた。
3つの部分からなるこのデータセットでは, サンプルの訓練, 試験, 検証から, くしゃみ, くしゃみ音の分析を効果的に行う特徴を抽出した。
メル周波数ケプストラム係数 (MFCC) の特徴抽出法に基づいて, 数学的特徴と統計的特徴を作成した。
3つの異なる分類手法が3800以上の異なる音を含むデータセットにおいて呼吸音分類を成功させると考えられた。
放射基底関数(RBF)カーネルとアンサンブルアグリゲーションと決定木分類手法を備えたサポートベクターマシン(SVM)を分類手法として用いた。
他の鳴き声やくしゃみ音を他の音から分類する試みとして、svmとrbfカーネルが83%の成功をおさめた。
関連論文リスト
- What to Remember: Self-Adaptive Continual Learning for Audio Deepfake
Detection [53.063161380423715]
既存の検出モデルは、既知のディープフェイク音声を識別することに成功したが、新しい攻撃タイプに遭遇する際には苦労している。
本稿では,Radian Weight Modification (RWM) と呼ばれる連続的な学習手法を提案する。
論文 参考訳（メタデータ） (2023-12-15T09:52:17Z) - 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) - 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) - Transfer Learning Based Diagnosis and Analysis of Lung Sound Aberrations [0.35232085374661276]
本研究は、聴診器と音声記録ソフトウェアによって得られた呼吸音を非侵襲的に識別する手法を開発することを目的とする。
各オーディオサンプルの視覚的表現が構築され、視覚を効果的に記述するために使用されるような方法を用いて、分類のためのリソース識別が可能である。
呼吸音響データベースは、95%の精度、88%の精度、86%のリコールスコア、81%のF1スコアを含む最先端の結果を得た。
論文 参考訳（メタデータ） (2023-03-15T04:46:57Z) - 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) - Robust Medical Image Classification from Noisy Labeled Data with Global
and Local Representation Guided Co-training [73.60883490436956]
本稿では,ロバストな医用画像分類のためのグローバルおよびローカルな表現学習を用いた新しい協調学習パラダイムを提案する。
ノイズラベルフィルタを用いた自己アンサンブルモデルを用いて、クリーンでノイズの多いサンプルを効率的に選択する。
また,ネットワークを暗黙的に正規化してノイズの多いサンプルを利用するための,グローバルかつ局所的な表現学習手法を設計する。
論文 参考訳（メタデータ） (2022-05-10T07:50:08Z) - 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) - Discriminative Singular Spectrum Classifier with Applications on
Bioacoustic Signal Recognition [67.4171845020675]
分析や分類に有用な特徴を効率的に抽出する識別機構を備えた生体音響信号分類器を提案する。
タスク指向の現在のバイオ音響認識法とは異なり、提案モデルは入力信号をベクトル部分空間に変換することに依存する。
提案法の有効性は,アヌラン,ミツバチ,蚊の3種の生物音響データを用いて検証した。
論文 参考訳（メタデータ） (2021-03-18T11:01:21Z) - Anomalous Sound Detection with Machine Learning: A Systematic Review [0.0]
本稿では,機械学習(ML)技術を用いたアナモルス音検出に関する研究に関するシステムレビュー(SR)について述べる。
技術の現状は、データセットの収集、音声の特徴抽出方法、mlモデル、およびasdに使用される評価方法によって解決された。
論文 参考訳（メタデータ） (2021-02-15T19:57:03Z) - 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) - Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant
Disease Diagnosis [64.82680813427054]
植物病は食料安全保障と作物生産に対する主要な脅威の1つである。
1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。
本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2020-03-17T09:51:30Z)
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。