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

Feb, 2024

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

Detecting Respiratory Pathologies Using Convolutional Neural Networks and Variational Autoencoders for Unbalancing Data

María Teresa García-Ordás, José Alberto Benítez-Andrades, Isaías García-Rodríguez, Carmen Benavides, Héctor Alaiz-Moretón

TL;DR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。

Abstract

The aim of this paper was the detection of pathologies through respiratory sounds. The ICBHI (International Conference on Biomedical and Health Informatics) Benchmark was used. This dataset is composed of 920 sounds of which 810 are of chronic diseases, 75 of non-chronic diseases and o

respiratory sounds pathologies icbhi benchmark variational convolutional autoencoder convolutional neural network

发现论文，激发创造

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

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

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

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

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

一种使用咳嗽音的基于人工智能的无偏见呼吸道疾病诊断模型：COVID-19 的案例研究

通过提出的偏差无关网络 (RBFNet)，结合 CNN 和 LSTM 网络进行特征编码，并在分类方案中加入额外的偏差预测器，形成条件生成对抗网络 (cGAN)，旨在应对混杂变量对呼吸道疾病预测的影响，利用 COVID-19 数据集证明了 RBFNet 相对于 CNN-LSTM 模型在不同偏斜训练情景下的优越性。

Jan, 2024

基于先进信号处理与机器学习的音频呼吸疾病分类及辅助诊断支持

利用全球最大的公开医疗数据库中的呼吸声音，结合经验模式分解和谱分析等方法，训练多个机器学习模型对不同健康状况进行分类诊断，从而大大提高辅助和远程诊断能力。

Sep, 2023

利用不同预训练领域的对比学习，从未标记数据发现 COVID-19 咳嗽和呼吸模式

本文提出了基于对比学习的建模方法，从非 COVID 咳嗽中发现 COVID-19 的咳嗽和呼吸模式，并通过大量实验验证了模型的有效性和不同因素的影响。

Jun, 2023

使用深度卷积神经网络 (CNN) 进行肺炎检测的迁移学习：基于胸部 X 光

使用数字 X 光图像自动检测细菌性和病毒性肺炎，最高分类精度为 98%，95%，和 93.3%，结果表明该方法可以在医疗检测和机场检测中用于快速诊断肺炎。

Apr, 2020

探索自监督表示集合用于 COVID-19 咳嗽分类

本文提出了一种基于自监督学习的框架，通过对未标记的数据进行对比性预训练，从而在 COVID-19 疾病状态下对咳嗽进行分类。

May, 2021