Automated Algorithm for Swallowing Sound Detection
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
This study examines the automated detection of swallowing sounds for normal subjects. A normal swallowing sound is characterized by three phases including oral, pharyngeal and esophageal where complications lead to swallowing disorder or dysphagia. Current gold standard testing for this abnormality is videofluorography, an x-ray based procedure with detrimental radiation side effects. New non-invasive techniques are necessarily explored to help assess the performance of the swallowing mechanism. Recent developed studies in acoustical airflow estimation indicate the need to detect and extract swallowing segments from sound signals. Extraction is currently a manual process, both subjective and time-consuming. Thus, an automated, objective and quick method is developed in the form of a “smart” algorithm with the ability to make decisions like trained technicians and physicians. Three sound signal features were explored to assist in the classification process (AR- coefficients, RMS values and average power). Utilizing the features, classification sequences were produced for six healthy subjects swallowing sounds. The results were compared with known values (acquired through visual and auditory means). RMS features in combination with the “smart” code yield the lowest error, on average 20.7 ± 4.6%. Future studies include testing variations of smart algorithm code in order to create a robust algorithm. Also, future work includes varying test subject ages, test media (bolus textures) and creating a program-user interface for decision-making assistance. Keywords: swallowing, dysphagia, spectrogram, RMS, automated detection.
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 | 0,001 | 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 | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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