論文の概要: Revisiting Audio Pattern Recognition for Asthma Medication Adherence:
Evaluation with the RDA Benchmark Suite
- arxiv url: http://arxiv.org/abs/2205.15360v1
- Date: Mon, 30 May 2022 18:08:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-01 15:36:05.993328
- Title: Revisiting Audio Pattern Recognition for Asthma Medication Adherence:
Evaluation with the RDA Benchmark Suite
- Title(参考訳): 喘息治療適応のためのオーディオパターン認識の再検討:RDAベンチマークスイートによる評価
- Authors: Nikos D. Fakotakis, Stavros Nousias, Gerasimos Arvanitis, Evangelia I.
Zacharaki, Konstantinos Moustakas
- Abstract要約: 喘息は一般的には長期の呼吸器疾患であり、社会や経済に悪影響を及ぼす。
センサを備えた健康モニタリングシステムと音響信号検出システムにより、薬物の作動の認識が可能となる。
本稿では,喘息薬の付着度評価のための音声パターン認識と機械学習技術を再考する。
- 参考スコア(独自算出の注目度): 2.756147934836573
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Asthma is a common, usually long-term respiratory disease with negative
impact on society and the economy worldwide. Treatment involves using medical
devices (inhalers) that distribute medication to the airways, and its
efficiency depends on the precision of the inhalation technique. Health
monitoring systems equipped with sensors and embedded with sound signal
detection enable the recognition of drug actuation and could be powerful tools
for reliable audio content analysis. This paper revisits audio pattern
recognition and machine learning techniques for asthma medication adherence
assessment and presents the Respiratory and Drug Actuation (RDA)
Suite(https://gitlab.com/vvr/monitoring-medication-adherence/rda-benchmark) for
benchmarking and further research. The RDA Suite includes a set of tools for
audio processing, feature extraction and classification and is provided along
with a dataset consisting of respiratory and drug actuation sounds. The
classification models in RDA are implemented based on conventional and advanced
machine learning and deep network architectures. This study provides a
comparative evaluation of the implemented approaches, examines potential
improvements and discusses challenges and future tendencies.
- Abstract(参考訳): 喘息は一般的には長期の呼吸器疾患であり、社会や経済に悪影響を及ぼす。
治療には、気道に薬を分配する医療機器(吸入器)を使用し、その効率は吸入技術の精度に依存する。
センサを備えた健康モニタリングシステムと音声信号検出システムにより、薬物の作動を認識することができ、信頼性の高いオーディオコンテンツ分析のための強力なツールとなる可能性がある。
本稿では,喘息薬の付着度評価のための音声パターン認識と機械学習手法を再検討し,rdaスイート(https://gitlab.com/vvr/monitoring-medication-adherence/rda-benchmark)を提案する。
rdaスイートには、オーディオ処理、特徴抽出、分類のための一連のツールが含まれており、呼吸と薬物の作動音からなるデータセットを提供する。
RDAの分類モデルは、従来の機械学習とディープネットワークアーキテクチャに基づいて実装されている。
本研究は,実装手法の比較評価を行い,潜在的な改善について検討し,課題と今後の傾向について考察する。
関連論文リスト
- Stethoscope-guided Supervised Contrastive Learning for Cross-domain
Adaptation on Respiratory Sound Classification [1.690115983364313]
本稿では、ソースドメインから異なるターゲットドメインに知識を転送するクロスドメイン適応手法を提案する。
特に、個々の領域として異なる聴診器タイプを考慮し、新しい聴診器誘導型教師付きコントラスト学習手法を提案する。
ICBHIデータセットの実験結果から,提案手法はドメイン依存性の低減とICBHIスコア61.71%の達成に有効であることが示された。
論文 参考訳(メタデータ) (2023-12-15T08:34:31Z) - EKGNet: A 10.96{\mu}W Fully Analog Neural Network for Intra-Patient
Arrhythmia Classification [79.7946379395238]
心電図不整脈分類におけるアナログ計算と深層学習を組み合わせた統合的アプローチを提案する。
本稿では,低消費電力で高精度にアーカイブするハードウェア効率と完全アナログ不整脈分類アーキテクチャであるEKGNetを提案する。
論文 参考訳(メタデータ) (2023-10-24T02:37:49Z) - Towards using Cough for Respiratory Disease Diagnosis by leveraging
Artificial Intelligence: A Survey [3.0911149532847375]
カフ音響には、呼吸系における病理形態学的変化に関する情報が多数含まれている。
人工知能(AI)の最近の応用と呼吸器疾患予測のためのユビキタスコンピューティングの進歩は、注目に値する傾向を生み出している。
機械学習(ML)とディープラーニング(DL)ベースの診断アルゴリズムは、コークスシグネチャを駆使して急速に流行している。
論文 参考訳(メタデータ) (2023-09-24T19:03:46Z) - COVID-19 Detection System: A Comparative Analysis of System Performance
Based on Acoustic Features of Cough Audio Signals [0.7826806223782052]
研究は、新型コロナウイルス検出における機械学習(ML)モデルの性能を高める様々な音響特性を検討することを目的としている。
本研究では,Mel Frequency Cepstral Coefficients (MFCC), Chroma, Spectral Contrastの3つの特徴抽出手法の有効性について,SVM(Support Vector Machine)とMLP(Multilayer Perceptron)の2つのMLアルゴリズムを用いて検討した。
提案システムは,新型コロナウイルス検出のためのCOUGHVIDおよびVirufyデータセット上での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) - 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) - Fuzzy Attention Neural Network to Tackle Discontinuity in Airway
Segmentation [67.19443246236048]
気道セグメンテーションは肺疾患の検査、診断、予後に重要である。
いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。
本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
論文 参考訳(メタデータ) (2022-09-05T16:38:13Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳(メタデータ) (2021-10-27T19:28:36Z) - A Machine Learning Approach for Delineating Similar Sound Symptoms of
Respiratory Conditions on a Smartphone [0.0]
我々は、現代のスマートフォンの計算能力と記憶能力の改善を活用し、機械学習アルゴリズムを用いて呼吸音の症状を識別する。
携帯電話上でのこれらのアルゴリズムの性能は、スマートフォンがリアルタイムシナリオにおける呼吸症状の認識と識別のための代替ツールであることを示している。
論文 参考訳(メタデータ) (2021-10-15T07:24:30Z) - 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) - 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) - 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)
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。