論文の概要: A XAI-based Framework for Frequency Subband Characterization of Cough Spectrograms in Chronic Respiratory Disease
- arxiv url: http://arxiv.org/abs/2508.16237v1
- Date: Fri, 22 Aug 2025 09:16:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-25 16:42:36.332817
- Title: A XAI-based Framework for Frequency Subband Characterization of Cough Spectrograms in Chronic Respiratory Disease
- Title（参考訳）: 慢性呼吸器疾患におけるCough Spectrogramの周波数サブバンド評価のためのXAIフレームワーク
- Authors: Patricia Amado-Caballero, Luis M. San-José-Revuelta, Xinheng Wang, José Ramón Garmendia-Leiza, Carlos Alberola-López, Pablo Casaseca-de-la-Higuera,
- Abstract要約: 本稿では,慢性呼吸器疾患にともなう音のスペクトル分析のための,説明可能な人工知能(XAI)に基づく枠組みを提案する。
The Convolutional Neural Network (CNN) is trained on time- frequency representations of cough signal。
- 参考スコア（独自算出の注目度）: 1.5796619021736646
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents an explainable artificial intelligence (XAI)-based framework for the spectral analysis of cough sounds associated with chronic respiratory diseases, with a particular focus on Chronic Obstructive Pulmonary Disease (COPD). A Convolutional Neural Network (CNN) is trained on time-frequency representations of cough signals, and occlusion maps are used to identify diagnostically relevant regions within the spectrograms. These highlighted areas are subsequently decomposed into five frequency subbands, enabling targeted spectral feature extraction and analysis. The results reveal that spectral patterns differ across subbands and disease groups, uncovering complementary and compensatory trends across the frequency spectrum. Noteworthy, the approach distinguishes COPD from other respiratory conditions, and chronic from non-chronic patient groups, based on interpretable spectral markers. These findings provide insight into the underlying pathophysiological characteristics of cough acoustics and demonstrate the value of frequency-resolved, XAI-enhanced analysis for biomedical signal interpretation and translational respiratory disease diagnostics.
- Abstract（参考訳）: 本稿では,慢性閉塞性肺疾患(COPD)を中心に,慢性呼吸器疾患にともなう音のスペクトル分析のための説明可能な人工知能(XAI)ベースの枠組みを提案する。
The Convolutional Neural Network (CNN) is trained on time- frequency representations of cough signal, and occlusion map is used to identifiedally relevant region within the spectrograms。
これらの強調された領域はその後5つの周波数サブバンドに分解され、スペクトルの特徴抽出と分析を可能にした。
その結果、スペクトルパターンはサブバンドと疾患群で異なり、周波数スペクトルの相補的傾向と補償的傾向が明らかになった。
注意すべき点は、このアプローチがCOPDを他の呼吸状態と区別し、解釈可能なスペクトルマーカーに基づいて非慢性患者群と慢性的に区別することである。
これらの知見は, 生医学的信号解釈と翻訳呼吸疾患診断における周波数分解XAI法の有用性を示唆するものである。
関連論文リスト
- XAI-Driven Spectral Analysis of Cough Sounds for Respiratory Disease Characterization [1.4344188754375113]
本稿では,eXplainable Artificial Intelligence (XAI) による呼吸疾患管理のためのコークス音響解析の理解を深める手法を提案する。
我々は、畳み込みニューラルネットワーク(CNN)によって処理されたコークススペクトログラムにおいて、関連するスペクトル領域をハイライトするために、オクルージョンマップを用いる。
論文 参考訳（メタデータ） (2025-08-20T11:59:13Z) - Respiratory Disease Classification and Biometric Analysis Using Biosignals from Digital Stethoscopes [3.2458203725405976]
本研究は, 自動呼吸器疾患分類とバイオメトリックス解析にデジタル聴診器技術を活用した新しいアプローチを提案する。
各種呼吸状態の分類に機械学習モデルを訓練する。
本研究は,2値分類の精度(健康と疾患のバランス精度89%)と多値分類の精度(72%)を実現している。
論文 参考訳（メタデータ） (2023-09-12T23:54:00Z) - Expert Uncertainty and Severity Aware Chest X-Ray Classification by
Multi-Relationship Graph Learning [48.29204631769816]
我々はCXRレポートから病気ラベルを再抽出し,重症度と分類の不確実性を考慮し,より現実的になるようにした。
以上の結果から, 疾患の重症度と不確実性を考慮したモデルが, 従来の最先端手法よりも優れていたことが示唆された。
論文 参考訳（メタデータ） (2023-09-06T19:19:41Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳（メタデータ） (2022-05-08T15:29:54Z) - Frequency comb and machine learning-based breath analysis for COVID-19
classification [0.6113111451963646]
本研究では,各呼吸試料中の数万のスペクトル特性を同時に測定する頑健な分析手法を提案する。
コロラド大学における170個のサンプルを用いて, 受信-操作-特性曲線 0.849(4) のクロスバリデーション領域を報告した。
喫煙や腹痛などの他の変数と同様に,男性と女性の呼吸に有意な差が認められた。
論文 参考訳（メタデータ） (2022-02-04T05:58:52Z) - Generative Residual Attention Network for Disease Detection [51.60842580044539]
本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。
我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。
次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
論文 参考訳（メタデータ） (2021-10-25T14:15:57Z) - CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19
Patients Using Deep Learning [133.87426554801252]
我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。
本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
論文 参考訳（メタデータ） (2021-05-25T12:06:55Z) - Variational Knowledge Distillation for Disease Classification in Chest
X-Rays [102.04931207504173]
我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。
提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
論文 参考訳（メタデータ） (2021-03-19T14:13:56Z) - 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) - Contralaterally Enhanced Networks for Thoracic Disease Detection [120.60868136876599]
胸骨、肺野、気管支管など、胸部左右に類似した構造が多数存在する。
このような類似性は、広義の放射線学者の経験から、胸部X線における疾患の同定に利用することができる。
本稿では,病状提案の特徴表現を強化するために,対向的コンテキスト情報を活用するディープ・エンド・ツー・エンド・モジュールを提案する。
論文 参考訳（メタデータ） (2020-10-09T10:15:26Z) - 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)
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。