Use of passive hearing protectors and adaptive noise reduction for field recording of otoacoustic emissions in industrial noise
Notice bibliographique
Résumé
Distortion Product Otoacoustic Emissions (DPOAEs) can detect noise-induced hearing loss in-field, but their data extraction is very sensitive to background noise. This paper investigates how passive and active noise reduction enhance DPOAE recording based on data collected in white noise from 54dB(A) to 90dB(A). Despite considerable high-frequency attenuation from a proper placed DPOAE probe, 54dB(A) background noise deteriorates the test outcome substantially. More low-frequency attenuation by an extra passive earmuff enables measurements in white noise levels of 70dB(A). The relationship between external sound level and noise recorded by the DPOAE system has been statistically modeled. Additionally, the upper limits of attenuation improvement are analyzed by quantifying residual physiological noise. Furthermore, for an earplug integrating microphone and speakers of the DPOAE measurement probe, adaptive noise reduction processing on the DPOAE signal is used to improve the Signal-to-Noise ratio. The adaptive noise reduction (ANR) is implemented using the NLMS algorithm to filter out the ambiant noise, measured by the first microphone measuring the DPOAE signal, with a second miniature microphone mounted flush with the external faceplate of the isolating DPOAE probe. Simulated data shows that DPOAE response extraction is possible in an environment with noise levels exceeding 70dB(A).
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».