Automatic breath phase detection using only tracheal sounds
Notice bibliographique
Résumé
While automatic distinction between the two breath phases (inspiration/expiration) can be done easily using lung sounds' intensity, it is challenging to do the same using only tracheal breath sounds. The current acoustic flow estimation methods use tracheal breath sounds to estimate the amount of flow and the onset of breath but also use lung sounds for respiratory phase identification. It would be advantageous to have an automatic and accurate method to identify breath phases from the tracheal signal. One may argue that given the alternation of respiratory phases, breath phase identification from tracheal sounds would be an easy task if one knows the first phase. However, during breathing, an event such as apnea, swallowing, or coughing may change the alternating nature of breath phases. In this study we have investigated several parameters derived from the phase duration, the shape of the sound envelope within each phase, and the sound's intensity in each phase, to develop a reliable method to differentiate between the two respiratory phases using only tracheal breath sounds. We used data from 6 healthy individuals, without any history of pulmonary diseases at 4 different flow levels (shallow, tidal, medium and very high). The most prominent features were found to be those derived from the duration, area and shape of the sound envelope in each phase. With a voting equation using the three most prominent features, our proposed method has shown an accuracy of 93.1% with sensitivity of 93.4% and specificity of 92.8% for breath phase identification without the need for assuming breath phase alteration.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».