Fugu-MT 論文翻訳(概要): A Deep Learning Approach to Localizing Multi-level Airway Collapse Based on Snoring Sounds

論文の概要: A Deep Learning Approach to Localizing Multi-level Airway Collapse Based on Snoring Sounds

arxiv url: http://arxiv.org/abs/2408.16030v1
Date: Wed, 28 Aug 2024 09:30:20 GMT
ステータス: 処理完了
システム内更新日: 2024-08-30 17:54:29.801807
Title: A Deep Learning Approach to Localizing Multi-level Airway Collapse Based on Snoring Sounds
Title（参考訳）: いびき音に基づくマルチレベル気道崩壊の局所化のための深層学習手法
Authors: Ying-Chieh Hsu, Stanley Yung-Chuan Liu, Chao-Jung Huang, Chi-Wei Wu, Ren-Kai Cheng, Jane Yung-Jen Hsu, Shang-Ran Huang, Yuan-Ren Cheng, Fu-Shun Hsu,
Abstract要約: 閉塞型睡眠時無呼吸症候群(OSA)患者における上気道の異なるレベルの刺激音の分類にマシン/ディープ学習の適用について検討した。 39名を対象に,Vellum,Oropharynx,Tongue Base,Epiglottis (VOTE) 分類システムを用いて,聴力評価を行った。畳み込みニューラルネットワーク(CNN)であるResNet-50は、いびき音の分類において、最高の全体的な性能を示した。
参考スコア（独自算出の注目度）: 1.165734481380989
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: This study investigates the application of machine/deep learning to classify snoring sounds excited at different levels of the upper airway in patients with obstructive sleep apnea (OSA) using data from drug-induced sleep endoscopy (DISE). The snoring sounds of 39 subjects were analyzed and labeled according to the Velum, Oropharynx, Tongue Base, and Epiglottis (VOTE) classification system. The dataset, comprising 5,173 one-second segments, was used to train and test models, including Support Vector Machine (SVM), Bidirectional Long Short-Term Memory (BiLSTM), and ResNet-50. The ResNet-50, a convolutional neural network (CNN), showed the best overall performance in classifying snoring acoustics, particularly in identifying multi-level obstructions. The study emphasizes the potential of integrating snoring acoustics with deep learning to improve the diagnosis and treatment of OSA. However, challenges such as limited sample size, data imbalance, and differences between pharmacologically induced and natural snoring sounds were noted, suggesting further research to enhance model accuracy and generalizability.
Abstract（参考訳）: 本研究は, 閉塞性睡眠時無呼吸(OSA)患者における上気道の様々なレベルの刺激音を薬物誘発型睡眠内視鏡(DISE)のデータを用いて, マシン/ディープ学習を用いて分類するものである。 39名を対象に,Vellum,Oropharynx,Tongue Base,Epiglottis (VOTE) 分類システムを用いて,聴力評価を行った。 5,173の1秒セグメントからなるデータセットは、SVM(Support Vector Machine)、Bidirectional Long Short-Term Memory(BiLSTM)、ResNet-50など、モデルのトレーニングとテストに使用された。畳み込みニューラルネットワーク(CNN)であるResNet-50は、聴覚の分類において、特にマルチレベル障害物の同定において、最高の全体的な性能を示した。本研究は,OSAの診断と治療を改善するため,聴覚と深層学習を統合する可能性を強調した。しかし, サンプルサイズ, データ不均衡, 薬理学的に誘発される音と自然刺激音の相違などの課題が指摘され, モデル精度と一般化性の向上に向けたさらなる研究が示唆された。

関連論文リスト

Improving snore detection under limited dataset through harmonic/percussive source separation and convolutional neural networks [0.0]
Snoringは閉塞性睡眠時無呼吸症候群(OSAS)患者によく見られる音響バイオマーカーである入力音の高調波成分を解析し,非遮音音とモノラル音を区別する新しい手法を提案する。
論文参考訳（メタデータ） (2024-10-31T10:27:48Z)
Rene: A Pre-trained Multi-modal Architecture for Auscultation of Respiratory Diseases [5.810320353233697]
本稿では,呼吸音の認識に適した大規模モデルであるReneを紹介する。我々の革新的なアプローチは、事前訓練された音声認識モデルを用いて呼吸音を処理している。我々は,Reneアーキテクチャを用いた実時間呼吸音識別システムを開発した。
論文参考訳（メタデータ） (2024-05-13T03:00:28Z)
Multimodal Sleep Apnea Detection with Missing or Noisy Modalities [1.3518297878940662]
本研究では,睡眠時無呼吸検出を行う際の欠損や雑音を補うことを目的とした包括的パイプラインを提案する。本実験は,睡眠時無呼吸の検出において,提案モデルが他の最先端手法よりも優れていることを示す。
論文参考訳（メタデータ） (2024-02-24T16:29:36Z)
Spiking-LEAF: A Learnable Auditory front-end for Spiking Neural Networks [53.31894108974566]
Spiking-LEAFは、SNNベースの音声処理用に慎重に設計された学習可能な聴覚フロントエンドである。キーワードスポッティングと話者識別タスクにおいて、提案したSpking-LEAFは、聴覚フロントエンドのSOTAよりも優れている。
論文参考訳（メタデータ） (2023-09-18T04:03:05Z)
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)
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)
Automatic Classification of OSA related Snoring Signals from Nocturnal Audio Recordings [0.30586855806896046]
閉塞性睡眠時無呼吸(OSA)患者の夜間音声記録をOSA関連スノア、単純なスノア、その他の音に分類する自動アルゴリズムを提案する。音声信号の時間および周波数特性を抽出し、音声信号をOSA関連スヌーア、簡易スヌーアおよび他の音に分類した。
論文参考訳（メタデータ） (2021-02-25T13:04:30Z)
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)
Inception-Based Network and Multi-Spectrogram Ensemble Applied For Predicting Respiratory Anomalies and Lung Diseases [16.318395700171624]
本稿では,呼吸音入力を用いた肺疾患検出のためのインセプションベースディープニューラルネットワークを提案する。患者から収集された呼吸音の記録はスペクトログラムに変換され、スペクトル情報と時間情報の両方が提示される。これらのスペクトログラムは、肺関連疾患に罹患する患者を検出するために、バックエンド分類と呼ばれる提案されたネットワークに供給される。
論文参考訳（メタデータ） (2020-12-26T08:25:02Z)
CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文参考訳（メタデータ） (2020-07-20T21:47:28Z)
Capturing scattered discriminative information using a deep architecture in acoustic scene classification [49.86640645460706]
本研究では,識別情報を捕捉し,同時に過度に適合する問題を緩和する様々な手法について検討する。我々は、ディープニューラルネットワークにおける従来の非線形アクティベーションを置き換えるために、Max Feature Map法を採用する。 2つのデータ拡張方法と2つの深いアーキテクチャモジュールは、システムの過度な適合を減らし、差別的なパワーを維持するためにさらに検討されている。
論文参考訳（メタデータ） (2020-07-09T08:32:06Z)

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。