Apr, 2020

可穿戴设备中的呼吸音分类深度神经网络，通过患者特定模型调整实现

PDF
TL;DR本文旨在通过建立分類模型和策略識别呼吸声異常的方法来自動辨别呼吸和肺部疾病，提出使用深度 CNN-RNN 模型基于 Mel-spectrograms 进行呼吸声分类，并采用局部日志量化策略来减少模型权重的内存占用，该模型在 ICBHI'17 科学挑战呼吸声数据库的呼吸周期四级分类上达到 66.31% 的分数，在使用患者特定数据重新训练模型后，还能以 71.81% 的成绩进行交叉验证，而局部日志量化训练后的权重则能够显著降低内存需求，这种类型的患者特定再培训策略在开发可靠的长期自动患者监测系统特别是在可穿戴式医疗解决方案中可能非常有用。
breathing sound anomaliesrespiratory diseasespulmonary diseasesdeep learningpatient-specific model
发现论文，激发创造
  • 针对自开发开放式肺音数据库 HF_Lung_V1，对八种循环神经网络变体进行呼吸相和意外音检测效果基准测试

    研究开发了一个肺音数据库，使用各种机器学习模型实现了呼吸相和异常肺音的检测，在多项定义任务中，双向门控循环单元模型展示了最佳的 F1 评分和接收器操作特性曲线下的面积。

    Feb, 2021

  • 使用基于 EMD-CWT 的混合图谱的轻量级 CNN 模型，用于从肺听诊声音中检测呼吸系统疾病

    本文提出了一种基于混合 CWT 和 EMD 的频谱图特征的轻量级卷积神经网络（CNN）结构，以对肺音进行疾病分析分类，与传统 VGG16 模型相比，该 CNN 模型在三元慢性分类和六类病理分类方面分别提高了 0.52％和 1.77％的准确度，并且在时间和计算复杂度上有所改进。

    Sep, 2020

  • 使用深度神经网络从呼吸和咳嗽声音中检测 COVID-19

    本研究探讨了使用深度学习模型作为一种通用的、低成本的 COVID-19 预筛查方法，以从手机设备或通过 Web 获取的呼吸或咳嗽音频中检测 COVID-19，通过深度学习模型的集成表现优于传统方法，特别针对呼吸音频具有更好的诊断性能。

    Dec, 2020

  • 利用卷积神经网络和变分自编码器检测呼吸系统疾病的方法

    通过呼吸音检测病理学，使用 ICBHI 基准数据集，利用变分卷积自编码器和卷积神经网络实现对呼吸音进行分类以及区分不同类型的病理学或健康状态，取得了高达 0.993 F-Score 的分类结果。

    Feb, 2024

  • 用于肺音呼吸相检测的卷积神经网络

    本研究利用深度学习算法和卷积神经网络对肺音记录进行呼吸相检测，并将算法检测出的呼吸相与两个有经验的肺音专家手动标注的呼吸相进行比较评估，结果显示算法检测出的和人工标注的呼吸相存在高度一致性，因此该算法适用于肺音记录中的呼吸相检测。

    Mar, 2019

  • 非接触式呼吸模式分类的 1D-CNN 优化

    本研究提出了一种基于深度学习的时间序列呼吸数据分类方法，采用了一维卷积神经网络 (1D-CNN) 对呼吸数据进行分类，通过遗传算法优化了 1D-CNN 的架构，同时对预训练模型进行了迁移学习以提高算法的训练效率。这项研究为运用深度学习方法提升呼吸异常检测的准确性和效率提供了有价值的见解。

    Dec, 2023

  • 早产儿能效呼吸异常检测

    本研究提出使用深度学习技术的可穿戴式监测系统，采用无创的 Bellypatch 设备从早产儿的身体上实时采集信号，对呼吸停止等问题进行预测和监测。将传统的 1DCNN 模型转换为基于脉冲神经网络的模型，实现了 93.33% 的准确率和比基础模型低 18 倍的能量消耗。

    Feb, 2022

  • 肺音和肺病分类的多任务学习

    使用多任务学习方法，在医学诊断中对肺音和肺疾病进行同时分类，结果表明该方法在同时分类肺音和肺疾病方面取得了良好的效果，并应用于慢阻肺患者的风险水平计算中，使用随机森林分类器达到了 92% 的准确率，从而减轻了医生的负担。

    Apr, 2024

  • DeepCough: 一种可穿戴的咳嗽检测系统中的深度卷积神经网络

    本文介绍了一种利用可穿戴的声学传感器和深度卷积神经网络进行咳嗽检测的系统，并对其性能进行了评估，实验结果显示我们的系统实现了 95.1% 的分类敏感度和 99.5% 的特异性。

    Sep, 2015

  • 使用并行循环卷积神经网络进行心脏杂音检测

    本文提出了一种新的方法，使用深度神经网络并行结合循环神经网络（RNN）和卷积神经网络（CNN）学习心音 PCG 波形中的杂音的视觉和时间相关特征，并通过一系列声学特征鉴别正常和杂音类别。该方法经过 5 折交叉验证在大型数据集上进行评估，结果显示出 96％的敏感性和 100％的特异性，以及 98％的 F1 得分。

    Aug, 2018