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
- MobileNetV2: A lightweight classification model for home-based sleep apnea screening [3.463585190363689]
本研究は、心電図(ECG)と呼吸信号から抽出した特徴を早期OSAスクリーニングに利用した、新しい軽量ニューラルネットワークモデルを提案する。
ECG信号は睡眠段階を予測するための特徴スペクトログラムを生成するのに使用され、呼吸信号は睡眠関連呼吸異常を検出するために用いられる。
これらの予測を統合することで、AHI(apnea-hypopnea index)を精度良く算出し、OSAの正確な診断を容易にする。
論文 参考訳(メタデータ) (2024-12-28T01:37:25Z) - Contrasting Deep Learning Models for Direct Respiratory Insufficiency Detection Versus Blood Oxygen Saturation Estimation [1.4149417323913716]
RI検出のための事前学習型音声ニューラルネットワーク(CNN6,CNN10,CNN14)とMasked Autoencoder(Audio-MAE)について検討した。
SpO2レベルを推定する回帰タスクでは、指のオキシメータの3.5%以上の根平均2乗誤差値が得られる。
我々はSpO2-regressionを92%の閾値でSpO2-Thresholdバイナリ分類問題に変換する。
論文 参考訳(メタデータ) (2024-07-30T17:26:16Z) - Detecting Respiratory Pathologies Using Convolutional Neural Networks
and Variational Autoencoders for Unbalancing Data [0.3749861135832073]
このデータセットは920音で構成され、そのうち810音は慢性疾患、75音は非慢性疾患、35音は健常者のみである。
CNN(Convolutional Neural Network)は、呼吸音を健康、慢性、非慢性の病気に分類するために用いられる。
その結果,3ラベル分類では0.993 F-Score,6クラス分類では0.990 F-Scoreとなった。
論文 参考訳(メタデータ) (2024-02-03T15:17:32Z) - A Federated Learning Framework for Stenosis Detection [70.27581181445329]
本研究は,冠動脈造影画像(CA)の狭窄検出におけるFL(Federated Learning)の使用について検討した。
アンコナのOspedale Riuniti(イタリア)で取得した200人の患者1219枚の画像を含む2施設の異種データセットについて検討した。
データセット2には、文献で利用可能な90人の患者からの7492のシーケンシャルな画像が含まれている。
論文 参考訳(メタデータ) (2023-10-30T11:13:40Z) - 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) - Attention-based Saliency Maps Improve Interpretability of Pneumothorax
Classification [52.77024349608834]
視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。
ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。
ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
論文 参考訳(メタデータ) (2023-03-03T12:05:41Z) - Osteoporosis Prescreening using Panoramic Radiographs through a Deep
Convolutional Neural Network with Attention Mechanism [65.70943212672023]
注意モジュールを持つディープ畳み込みニューラルネットワーク(CNN)はパノラマX線写真上で骨粗しょう症を検出することができる。
49歳から60歳までの70種類のパノラマX線写真(PR)のデータセットを用いて検討した。
論文 参考訳(メタデータ) (2021-10-19T00:03:57Z) - Deep Learning-Based Detection of the Acute Respiratory Distress
Syndrome: What Are the Models Learning? [5.827840113217155]
急性呼吸窮迫症候群 (ARDS) は低酸素性呼吸不全の重症型であり、院内死亡率は35-46%である。
高死亡率は、即時診断を行う際の課題と関連していると考えられており、その結果、エビデンスベースの治療の実施が遅れる可能性がある。
未バイアス人工呼吸器波形データ(VWD)を利用したディープニューラルネットワーク(DNN)アルゴリズムは、ARDSのスクリーニングを改善するのに役立つかもしれない。
論文 参考訳(メタデータ) (2021-09-25T09:10:10Z) - Pointwise visual field estimation from optical coherence tomography in
glaucoma: a structure-function analysis using deep learning [12.70143462176992]
SAP(Standard Automated Perimetry)は、緑内障治療における視野(VF)の喪失を監視するための金の標準である。
我々は,光学コヒーレンス・トモグラフィー(OCT)スキャンによる点方向および全体的VF損失を推定する深層学習(DL)回帰モデルを開発し,検証した。
論文 参考訳(メタデータ) (2021-06-07T16:58:38Z) - 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) - 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)
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。