EarSonar: An Acoustic Signal-Based Middle-Ear Effusion Detection Using Earphones
Notice bibliographique
Résumé
Middle ear effusion is a common symptom of otitis media, the reactive physical manifestation of otitis media (OM) in children's middle ear. However, diagnosing MEE for little children at home is troublesome due to their difficulty cooperating and the caregiver's lack of medical knowledge. To this end, we propose EarSonar, a novel acoustic-based MEE diagnostic system. The principle behind EarSonar is that the acoustic absorption effect exists in ear scenarios, and the volume of middle ear fluid can markedly affect the absorbed spectrum energy. By automatically eliminating the impact of potential interference factors and identifying the representative frequency range with the typical reaction of acoustic absorption, EarSonar captures fine-grained signal features on absorbed spectrum energy and models the intrinsic relationship between acoustic absorption and the volume of the filler fluid in the eardrum. On that basis, EarSonar extracts the features of the MEE signal segment and uses k-means clustering to classify middle ear effusion status. We conducted a test on 112 adolescents aged 4–6. We divided the degree of middle ear effusion into three grades. The final average detection accuracy rate exceeds 92%, which is 8 % higher than the previous method. We have implemented a proof-of-concept prototype of EarSonar by building upon earphones embedded with a microphone and speaker. Experimental results demonstrate a feasible and effective way to turn earphones into potential home-use MEE screening tools.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».