Automatic breath and snore sounds classification from tracheal and ambient sounds recordings
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In this study respiratory sound signals were recorded from 23 patients suspect of obstructive sleep apnea, who were referred for the full-night sleep lab study. The sounds were recorded with two microphones simultaneously: one placed over trachea and one hung in the air in the vicinity of the patient. During recording the sound signals, patients' Polysomnography (PSG) data were also recorded simultaneously. An automatic method was developed to classify breath and snore sound segments based on their energy, zero crossing rate and formants of the sound signals. For every sound segment, the number of zero crossings, logarithm of the signal's energy and the first formant were calculated. Fischer Linear Discriminant was implemented to transform the 3-dimensional (3D) feature set to a 1-dimensional (1D) space and the Bayesian threshold was applied on the transformed features to classify the sound segments into either snore or breath classes. Three sets of experiments were implemented to investigate the method's performance for different training and test data sets extracted from different neck positions. The overall accuracy of all experiments for tracheal recordings were found to be more than 90% in classifying breath and snore sounds segments regardless of the neck position. This implies the method's accuracy is insensitive to patient's position; hence, simplifying data analysis for an entire night recording. The classification was also performed on sounds signals recorded simultaneously with an ambient microphone and the results were compared with those of the tracheal recording.
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.
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 découle