Comparison of Silence Removal Methods for the Identification of Audio Cough Events
Notice bibliographique
Résumé
Sensing technologies are embedded in our everyday lives. Smart homes typically use an Audio Virtual Assistant (AVA) (e.g. Alexa, Siri, and Google Home) interface that collects sensor information, which can provide security, assist in everyday activities and monitor health related information. One such measure is cough, changes of which can be a marker of worsening conditions for many respiratory diseases. Creating a reliable monitoring system utilizing technology that may already be present in the home (i.e. AVA) may provide an opportunity for early intervention and reductions in the number of long-term hospitalizations. This paper focuses on the optimization of the silence removal and segmentation step in an at home setting with low to moderate background noise to identify cough events. Three commonly used methods (Standard deviation (SD), Short-term Energy (SE), Zero-crossing rate (ZCR)) were compared to manual segmentations. Each method was applied to 209 audio files that were manually verified to contain at least one cough event and the average segmentation accuracy, over segmentation and under segmentation results were compared. The ZCR method had the highest accuracy (89%); however, it completely failed under moderate noise conditions. The SD method had the best combination of accuracy (86%), ability to perform under noisy conditions and low prevalence of over and under segmentation (22% and 15% respectively). Therefore, we recommend using an adaptive approach to silence removal among cough events based on the level of background noise (i.e use the ZCR method when the background noise is low and the SD method when it is higher) prior to implementation of a cough classification system.
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 | 0,002 | 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 ».