Fugu-MT 論文翻訳(概要): Wireless earbuds for low-cost hearing screening

論文の概要: Wireless earbuds for low-cost hearing screening

arxiv url: http://arxiv.org/abs/2212.05435v1
Date: Sun, 11 Dec 2022 07:36:46 GMT
ステータス: 処理完了
システム内更新日: 2023-02-19 12:56:56.885580
Title: Wireless earbuds for low-cost hearing screening
Title（参考訳）: 低コスト聴覚スクリーニング用ワイヤレスイヤホン
Authors: Justin Chan, Antonio Glenn, Malek Itani, Lisa R. Mancl, Emily Gallagher, Randall Bly, Shwetak Patel, and Shyamnath Gollakota
Abstract要約: 耳音響放射を検知して聴覚スクリーニングを行うことができる最初のワイヤレスイヤホンハードウェアを提案する。本研究は、低コストイヤホンが100%感度と89.7%特異性で難聴を検知し、8000ドルの医療機器に匹敵する性能を示した。
参考スコア（独自算出の注目度）: 3.8220612357178507
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present the first wireless earbud hardware that can perform hearing screening by detecting otoacoustic emissions. The conventional wisdom has been that detecting otoacoustic emissions, which are the faint sounds generated by the cochlea, requires sensitive and expensive acoustic hardware. Thus, medical devices for hearing screening cost thousands of dollars and are inaccessible in low and middle income countries. We show that by designing wireless earbuds using low-cost acoustic hardware and combining them with wireless sensing algorithms, we can reliably identify otoacoustic emissions and perform hearing screening. Our algorithms combine frequency modulated chirps with wideband pulses emitted from a low-cost speaker to reliably separate otoacoustic emissions from in-ear reflections and echoes. We conducted a clinical study with 50 ears across two healthcare sites. Our study shows that the low-cost earbuds detect hearing loss with 100% sensitivity and 89.7% specificity, which is comparable to the performance of a $8000 medical device. By developing low-cost and open-source wearable technology, our work may help address global health inequities in hearing screening by democratizing these medical devices.
Abstract（参考訳）: 耳音響放射を検知して聴覚スクリーニングを行うことができる最初のワイヤレスイヤホンハードウェアを提案する。従来の考え方では、耳音響放射(耳障りな音)を検出するには、敏感で高価な音響ハードウェアが必要である。したがって、聴覚スクリーニングのための医療機器は数千ドルを要し、低所得国や中所得国では利用できない。安価音響ハードウェアを用いたワイヤレスイヤホンの設計と無線センシングアルゴリズムの組み合わせにより,耳音響放射を確実に識別し,聴覚スクリーニングを行うことができることを示す。提案手法では,周波数変調チャープを低コストスピーカから放射される広帯域パルスと組み合わせ,耳内反射とエコーから耳音響放射を確実に分離する。 2つの医療施設で50耳の臨床的検討を行った。本研究は,低コストイヤホンが100%感度と89.7%特異性で難聴を検知し,8000ドルの医療機器に匹敵する性能を示した。低コストでオープンソースのウェアラブル技術を開発することで、これらの医療機器を民主化することで、聴覚スクリーニングにおける世界的な健康上の問題に対処できるかもしれない。

関連論文リスト

EarCapAuth: Biometric Method for Earables Using Capacitive Sensing Eartips [5.958529344837165]
EarCapAuthは、48個の静電容量電極を2つの耳栓の軟質シリコンイヤーチップに埋め込んだ認証機構である。識別のために、EarCapAuthは89.95%を達成している。将来的には、EarCapAuthは高解像度の脳センサー電極チップに統合される可能性がある。
論文参考訳（メタデータ） (2024-11-07T12:35:02Z)
Estimating Indoor Scene Depth Maps from Ultrasonic Echoes [11.826397394043905]
本稿では,難聴エコーを用いたエコーに基づく深度推定について考察する。超音波は理論上高い測定精度を提供するが、超音波を用いた場合の実際の深さ推定精度は未定である。本稿では, 超音波エコーを用いた深度推定の精度を向上させるための新しい深度学習法を提案する。
論文参考訳（メタデータ） (2024-09-05T08:28:36Z)
Proactive Detection of Voice Cloning with Localized Watermarking [50.13539630769929]
本稿では,AI生成音声の局所検出に特化して設計された,最初の音声透かし技術であるAudioSealを紹介する。 AudioSealは、ローカライゼーションロスと共同でトレーニングされたジェネレータ/検出器アーキテクチャを使用して、サンプルレベルまでローカライズされた透かし検出を可能にする。 AudioSealは、実生活のオーディオ操作に対する堅牢性と、自動的および人的評価指標に基づく非知覚性の観点から、最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2024-01-30T18:56:22Z)
In-Ear-Voice: Towards Milli-Watt Audio Enhancement With Bone-Conduction Microphones for In-Ear Sensing Platforms [8.946335367620698]
本稿では,新しいMEMS骨伝導マイクロホンをベースとした低消費電力ワイヤレスイヤホン用カスタム研究プラットフォームの設計と実装について述べる。このようなマイクは、装着者の音声をはるかに分離して記録することができ、パーソナライズされた音声活動の検出とさらなる音声強調アプリケーションを可能にする。
論文参考訳（メタデータ） (2023-09-05T17:04:09Z)
Ear-Keeper: Real-time Diagnosis of Ear Lesions Utilizing Ultralight-Ultrafast ConvNet and Large-scale Ear Endoscopic Dataset [7.5179664143779075]
リアルタイム耳疾患診断が可能な超高速・超軽量ネットワークBest-EarNetを提案する。パラメータ0.77Mしか持たないBest-EarNetの精度は95.23%(内部22,581枚)、92.14%(外部1,652枚)である。 Best-EarNetをベースとしたインテリジェント診断システムであるEar-Keeperが成功し、一般的な電子機器にデプロイされた。
論文参考訳（メタデータ） (2023-08-21T10:20:46Z)
Cutting Through the Noise: An Empirical Comparison of Psychoacoustic and Envelope-based Features for Machinery Fault Detection [6.9260317236159]
本稿では,Lenze Production background-noise (LPBN) 実世界のデータセットと,車載モータの終端点検のためのARAIシステムについて述べる。アコースティックアレイは、マイナーな故障、主要な故障、または健康なモータからデータを取得するために使用される。我々の知る限りでは、私たちは初めて、時間変化の心理音響的特徴を断層検出に適用しました。
論文参考訳（メタデータ） (2022-11-03T10:56:17Z)
Removing Noise from Extracellular Neural Recordings Using Fully Convolutional Denoising Autoencoders [62.997667081978825]
ノイズの多いマルチチャネル入力からクリーンなニューロン活動信号を生成することを学習する完全畳み込みデノイングオートエンコーダを提案する。シミュレーションデータを用いた実験結果から,提案手法はノイズ崩壊型ニューラルネットワークの品質を大幅に向上させることができることがわかった。
論文参考訳（メタデータ） (2021-09-18T14:51:24Z)
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)
Improving Medical Image Classification with Label Noise Using Dual-uncertainty Estimation [72.0276067144762]
医用画像における2種類のラベルノイズについて論じ,定義する。医用画像分類作業中にこれら2つのラベルノイズを処理する不確実性推定に基づくフレームワークを提案する。
論文参考訳（メタデータ） (2021-02-28T14:56:45Z)
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)
Silent Speech Interfaces for Speech Restoration: A Review [59.68902463890532]
サイレント音声インタフェース (SSI) の研究は、重度音声障害の患者に対して、代替的で拡張的なコミュニケーション方法を提供することを目的としている。 SSIは、コミュニケーションを可能にするために、音声生成中に人体によって生成される非音響バイオシグナーに依存している。現在、ほとんどのSSIは、健康なユーザーのために実験室でのみ検証されている。
論文参考訳（メタデータ） (2020-09-04T11:05:50Z)

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。