A Blind Filtering Framework for Noisy Neonatal Chest Sounds
Notice bibliographique
Résumé
Chest sound— as the first and most commonly available vital signal for newborns— contains affluent information about their cardiac and respiratory health. However, neonatal lung sound auscultation is currently challenging and often unreliable due to the noise and interference, particularly for preterm infants. The noise often overlaps with the heart and lung contents in both time and frequency. Moreover, the frequency band of the useful components varies from one case to another, making it difficult to separate by fixed band-pass filtering. In this study, a single-channel Blind Source Separation (SCBSS) framework is proposed to separate newborns’ lung and heart sounds from noisy chest sounds recorded by a digital stethoscope. This method first decomposes the signal into a multi-resolution representation using a time-frequency transform, and then applies source separation algorithms, to find proper ad hoc frequency filters. In the simulation scenario, two different time-frequency transforms are considered; Stationary Wavelet Transform (SWT) with dyadic bases, and Continuous Wavelet Transform (CWT) with redundant bases. The transforms are followed by three different source separation methods, namely Principal Component Analysis (PCA), Periodic Component Analysis ($\pi $CA), and Second Order Blind Identification (SOBI). The yielded combinations are applied to the chest sounds recorded from ninety-one preterm and full-term newborns. The results show that compared to raw signals, fixed band-pass filtering and seven other separation methods, the heart and lung sounds extracted by the proposed methods have higher quality index and also result in more reliable heart and respiratory rate estimation.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».