論文の概要: Acoustic Respiratory Phase Detection on Mobile Devices
- arxiv url: http://arxiv.org/abs/2611.16710v1
- Date: Thu, 12 Nov 2026 12:26:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.465989
- Title: Acoustic Respiratory Phase Detection on Mobile Devices
- Title(参考訳): 携帯機器の音響呼吸位相検出
- Abstract要約: 呼吸監視は、幸福感、ストレス調節、およびガイド呼吸運動において重要である。
本稿では,コモディティスマートフォンに記録された音響信号を用いた呼吸位相検出のための非侵襲的枠組みを提案する。
- 参考スコア(独自算出の注目度): 1.0830604022581063
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Breathing monitoring is important for well-being, stress regulation, and guided breathing exercises, yet existing approaches often rely on contact-based sensors or controlled environments. This paper presents a non-invasive framework for respiratory phase detection using acoustic signals recorded on commodity smartphones. The proposed hybrid CNN-Transformer architecture combines local spectral feature extraction with long-range temporal modeling to capture the cyclic structure of breathing. The model is evaluated using a Leave-One-Subject-Out (LOSO) protocol on the Foundation Dataset and on an independent unseen test set comprising over 1300 breathing cycles and 2 hours of continuous recordings. The proposed 3-class formulation achieves 72.85% frame-level accuracy and 96.6% cycle-level exhalation detection efficiency in the LOSO evaluation, while achieving 76.94% frame-level accuracy, a Cohen's Kappa score of 0.65, and 99.2% cycle-level exhalation detection efficiency on the unseen test set. Results suggest that accurate respiratory monitoring may be achievable under data-constrained conditions, indicating that appropriate temporal modeling can learn transferable respiratory representations and generalize to previously unseen participants. An end-to-end ONNX deployment pipeline enables privacy-preserving on-device inference with latency below 20 ms, supporting real-time monitoring on mobile and wearable devices.
- Abstract(参考訳): 呼吸監視は、幸福感、ストレス調節、誘導呼吸運動において重要であるが、既存のアプローチは、しばしばコンタクトベースのセンサーや制御された環境に依存している。
本稿では,コモディティスマートフォンに記録された音響信号を用いた呼吸位相検出のための非侵襲的枠組みを提案する。
提案したハイブリッドCNN-Transformerアーキテクチャは、局所スペクトル特徴抽出と長距離時間モデルを組み合わせることで、呼吸の循環構造を捉える。
このモデルは、ファンデーションデータセット上のLeave-One-Subject-Out(LOSO)プロトコルと、1300回以上の呼吸サイクルと2時間の連続記録からなる独立した未確認テストセットを用いて評価される。
提案した3クラスの定式化は、LOSO評価において72.85%のフレームレベルの精度と96.6%のサイクルレベルの呼気検出効率を達成し、76.94%のフレームレベルの精度、Cohen's Kappaスコア0.65、99.2%のサイクルレベルの呼気検出効率を達成した。
その結果, 正確な呼吸モニタリングは, データ拘束条件下で達成可能であることが示唆され, 適切な時間的モデリングにより, 伝達可能な呼吸表現を学習し, 従来見られなかった参加者に一般化できることが示された。
エンドツーエンドのONNXデプロイメントパイプラインは、20ミリ秒未満のレイテンシでデバイス上のプライバシ保護のオンデバイス推論を可能にし、モバイルおよびウェアラブルデバイスでのリアルタイム監視をサポートする。
関連論文リスト
- BreathGRU: A Novel Semi-Supervised Bidirectional Gated Recurrent Unit Framework for Speech and Breath Segmentation for Respiratory Audio [0.0]
BreathGRU (BreathGRU) は、音声・音声のセグメンテーション用に設計された半教師付き双方向Gated Recurrent Unit (BiGRU) フレームワークである。
フレームレベルの音響特徴抽出と双方向のリカレント・モデリング、擬似ラベル改善、時間制約付きセグメンタルビタビ復号とを組み合わせて、音声と呼吸のセグメンテーションを生成する。
実験の結果,BreathGRUは最大呼吸イベントリコール(0.83),最低オンセット局所化誤差(0.14s),平均一致インターセクション(0.81s)を達成した。
論文 参考訳(メタデータ) (2026-09-25T11:58:02Z) - Spectral Features Dominate BCG Respiratory-Event Detection: A Large-Scale Patient-Independent Comparison of Feature Groups in Sleep Apnea Patients [33.60217549899358]
バリスト心電図(BCG)は長期睡眠時無呼吸モニタリングにおいて有望なモダリティである。
呼吸異常の検出においてどの信号の特徴が最も識別されているかは、まだ不明である。
BCG特徴群10群を文献的,患者非依存的に比較検討した。
論文 参考訳(メタデータ) (2026-08-28T11:56:12Z) - State-Specific Respiratory Signatures for Affective and Stress Recognition: Interpretable Respiratory Markers, Autocorrelation Lags, and Compact CNN Models [0.0]
呼吸活動は、ウェアラブルストレスと情動状態認識のための直接的かつ解釈可能な生理学的チャネルである。
この研究は、RESPに基づく認識を共同予測および説明問題として再設計する。
本研究は,60 s窓の残量検証を行い,コンパクトな生信号1D-CNNと手技による呼吸シグネチャの2つの相補的な枝を組み合わせた。
論文 参考訳(メタデータ) (2026-06-25T08:01:36Z) - Deep learning-based detection of cessation of breathing in pre-term infants [1.8148201112091653]
未熟児のアプノエアは、定期的に監視される生理的信号を用いて確実に検出することは困難である。
深層学習に基づくアプノエア関連BrEathing事象の検出について検討した。
論文 参考訳(メタデータ) (2026-06-22T11:56:50Z) - Time-Localized Parametric Decomposition of Respiratory Airflow for Sub-Breath Analysis [0.0]
本研究では,呼吸気流を時間的局所成分に分解するパラメトリックフレームワークを提案する。
8,276発の呼吸の評価は、高い再現精度を示す。
論文 参考訳(メタデータ) (2026-04-24T16:28:45Z) - Physiology as Language: Translating Respiration to Sleep EEG [43.02603129452492]
本稿では,呼吸信号から睡眠脳波(EEG)を合成するクロス生理学的翻訳タスクを紹介する。
離散トークン化により脳波の標的空間を制約しながら、微細な呼吸動態を保ちながら波形条件生成フレームワークを提案する。
脳波スペクトログラム再構成では,28,000人以上の被験者を対象に,平均絶対誤差を7%以上達成している。
論文 参考訳(メタデータ) (2026-01-31T05:44:45Z) - Enhancing ECG Classification Robustness with Lightweight Unsupervised Anomaly Detection Filters [39.9470953186283]
ウェアラブルを用いた連続心電図(ECG)モニタリングは、早期心血管疾患(CVD)検出に有意な可能性を秘めている。
リソース制約のある環境での自動分析のためのディープラーニングモデルをデプロイすることは、アウト・オブ・ディストリビューション(Out-of-Distribution)データによる信頼性上の課題に直面します。
本稿では,非教師付き異常検出(UAD)を,ロバスト性向上のための独立な上流フィルタリング機構として検討する。
論文 参考訳(メタデータ) (2025-10-30T13:54:37Z) - Latent Representations of Intracardiac Electrograms for Atrial Fibrillation Driver Detection [37.72464514643607]
本研究では,非教師付き特徴抽出のための畳み込みオートエンコーダを用いたディープラーニングフレームワークを提案する。
心房電気活動の潜在的表現は、EMG分析の特徴づけと自動化を可能にする。
提案手法は, リアルタイムに動作可能であり, 臨床解剖学的マッピングシステムに統合することにより, アブレーション中の不整脈領域の同定を支援することができる。
論文 参考訳(メタデータ) (2025-07-24T09:40:24Z) - Machine learning-based algorithms for at-home respiratory disease monitoring and respiratory assessment [45.104212062055424]
本研究の目的は、在宅呼吸器疾患のモニタリングと評価を容易にする機械学習ベースのアルゴリズムを開発することである。
健常成人30名を対象に, 呼吸圧, 血流, 胸腹部周囲の動的計測を行った。
ランダムフォレスト分類器、ロジスティック回帰、サポートベクターマシン(SVM)など、さまざまな機械学習モデルをトレーニングし、呼吸タイプを予測する。
論文 参考訳(メタデータ) (2024-09-05T02:14:31Z) - Identification of deep breath while moving forward based on multiple
body regions and graph signal analysis [45.62293065676075]
本稿では,世界深度カメラを通り過ぎているときの深呼吸を自動的に識別できる非閉塞性ソリューションを提案する。
検証実験において、提案手法は、それぞれ75.5%、76.2%、75.0%、75.2%の精度、精度、リコール、F1の比較手法よりも優れている。
論文 参考訳(メタデータ) (2020-10-20T08:26:50Z) - Multispectral Video Fusion for Non-contact Monitoring of Respiratory
Rate and Apnea [7.300192965401497]
呼吸の非接触モニタリングは、近赤外線と遠赤外線のスペクトルカメラで達成できる。
本研究では,無呼吸時の呼吸速度(RR)を推定する多スペクトルデータ融合に基づく新しいアルゴリズムを提案する。
本研究は,医療応用におけるサインモニタリングにおけるカメラの活用に向けての一歩となる可能性がある。
論文 参考訳(メタデータ) (2020-04-21T09:07:09Z)
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。