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。

Apr, 2020

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

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

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

本文综合介绍了 1D CNN 的一般结构和原则、主要的工程应用领域以及这个领域的最新进展和其性能，着重介绍了 1D CNN 的一些独特性质，并公开了其中所使用的基准数据集和主要软件。

May, 2019

本研究提出了一种利用不连续光波信号从机械机器人胸部反射出来的方法来检测非接触式呼吸异常，与现有的用于监测生命体征的雷达和摄像头感应系统相比，该技术仅使用低成本的常见光源（如红外线发光二极管）和传感器（如光电二极管），该光波感应系统能够识别机器人胸部反射光强的变化中的不同呼吸异常。呼吸异常检测模型使用机器学习方法在分类 7 种不同呼吸数据时达到了 96.6% 的平均准确率，该模型还能够检测系统收集的不包含呼吸信息的错误数据。这个开发的系统可以作为一个智能、非接触和隐蔽的呼吸监测方法在家庭或医疗设施中使用。

Nov, 2023

应用迁移学习技术，通过纹理数据库来改进深度卷积神经网络的训练方法，并将不同卷积神经网络中的知识结合，进而实现肺组织病变的分类，该方法的成功应用表明了在医学图像分析领域中，训练神经网络的方法同样重要于设计它的架构。

Dec, 2016

利用卷积神经网络结构对现代智能科技中可捕获的人类睡眠数据进行分类，提高睡眠阶段识别精度，并在三个公开数据集上与传统机器学习方法如逻辑回归、决策树、K 最近邻、朴素贝叶斯和支持向量机进行基准测试的性能表现进行对比，以此为未来研究模拟奠定基础。

Apr, 2022

本研究探究适用于时间序列分类领域的不同方法和各种神经网络结构。该论文通过使用来自气体传感器的数据来探测某一特定环境中的占用状态，并使用 Fully Convolutional Networks (FCN) 和 Long Short-Term Memory (LSTM) 进行监督学习和递归自编码器进行半监督学习，通过评估精度和召回率等指标来确定哪种方法最适合此问题。

Jul, 2023

在肺放射疗法中，红外相机可以记录胸部上反射物体的位置，以推断因呼吸而移动的肿瘤的位置，但治疗系统延迟影响了辐射光束的精确性。本研究评估了资源高效的在线 RNN 算法（无偏在线重复优化，SnAp-1 和 DNI）准确预测放射疗法治疗期间的呼吸运动的能力。

Mar, 2024