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
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
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
使用多目标优化方法选择具有区分性的特征来提高呼吸模式识别的准确性,同时限制个体用户识别,验证结果表明呼吸识别和用户识别的准确性存在显著差异。
Jan, 2024
该论文提出了一种新颖而强大的方法来跟踪呼吸,它可以补偿其他因素对呼吸监测带来的负面影响,并且可以在高动态范围情境下准确地提取呼吸率,这项技术主要包括优化量化技术、热梯度流方法和热体素方法。
May, 2017
本研究比较了使用新型神经 VRB 算法和基于时间对齐的语言内容的 IE 检测从呼吸胸带传感器数据中检测吸气事件的方法。该研究提供了对 VRB 方法发展的新见解,并增加了语音呼吸行为的一般理解,同时证明了连续呼吸波形的重建方法 VRBOLA 的有效性。
May, 2023
通过分析无需贴身传感器的人体反射射频波,开发了先进的机器学习算法来监测睡眠和夜间呼吸,验证结果表明该模型捕捉了睡眠的不同阶段、检测到了睡眠窒息,并可以测量患者的睡眠呼吸暂停指数,同时发现了睡眠阶段与多种疾病的相关关系。
May, 2024
该研究提出了一种使用实时低成本光电脉搏图作为输入信号的、连续估计呼吸频率的深度学习模型:RRWaveNet。该模型具有高性能和便携性,可以在远程监测和家庭医疗等情况下实现精确且实用的呼吸频率计算,表明远程呼吸监测在远程医疗的背景下具有可行性。
Aug, 2022