预训练基础模型揭示语音呼吸模式
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
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
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
通过使用深度学习，本研究从普通视频中估计婴儿的呼吸频率和波形，为婴儿呼吸监测提供自动、连续和非接触性的方法。通过构建AIRFlowNet模型并使用公开的婴儿呼吸数据集(AIR-125)进行训练和测试，结果表明该方法在呼吸频率估计方面明显优于其他公开模型，平均绝对误差为约2.9次/分钟，而其他设计用于成人主体和更一致环境的模型的平均绝对误差在约4.7-6.2次/分钟。
Jul, 2023
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
本文使用卷积神经网络的方法从智能手表上获取的心率数据中提取呼吸率，通过与现有方法的比较，结果显示我们的方法优于其他方法，并且估计与参考的呼吸率值之间具有更高的一致性。
Jan, 2024
该研究提出了一种使用头部运动参数和BOLD信号来重构RV波形的CNN模型，结果表明将头部运动参数与BOLD信号相结合可以增强RV波形估计。
Apr, 2024
探索预训练语音模型在呼吸音分类中的有效性，并提出了能够处理预训练语音波形的输入不可知表示级别增广技术。实验结果表明，该方法优于SpecAugment，在少数疾病类别的准确性上实现了显著改善，最高达到7.14%。
May, 2024
通过利用呼吸音样本的元数据，我们引入了一个文本-音频多模态模型来改进呼吸音分类的性能，并且在治疗临床环境中部分元数据不可用的情况下也进行了研究验证。
Jun, 2024
我们介绍了OPERA，这是第一个满足医疗应用需求的开放呼吸声基础模型预训练和基准系统，我们筛选了大规模的呼吸音频数据集，预训练了三个创新的基础模型，并构建了一个包含19个下游呼吸健康任务的基准，我们的预训练模型在16个任务中表现出优越性能，并且具有推广性，对于未见数据集和新的呼吸音频模态具有良好的泛化能力，这突显了呼吸声基础模型的巨大潜力，并鼓励更多使用OPERA进行呼吸音频研究加速的研究。
Jun, 2024