Optimized audio signal reconstruction for AI-driven diagnosis of chronic respiratory conditions
Notice bibliographique
Résumé
The characteristic feature of chronic obstructive pulmonary disease (COPD) is the liberal failure in lungs functioning over a long duration. In terms of worldwide public health concern, these have surpassed cancer in the past 20 years. There are still a lot of obstacles to overcome in the field of COPD, particularly in terms of predicting how often specific patients' conditions would worsen, keeping tabs on their health, and identifying signs of lung function degradation early on. We urgently require scalable AI-powered data-driven ways to tackle this critical challenge in the treatment of COPD in the modern day. This study lays the experimental groundwork for intelligent diagnosis and monitoring of COPD for individual patients by collecting and generating data from biological observations, using optimal behavior signal processing, and applying machine learning (ML). We also conducted machine classification on lung audio signals in two separate studies and looked into multi-resolution analysis and compression. First, those involving the "Healthy or "COPD" classes, and second, those involving the "Healthy", "COPD", or "Pneumonia" classes individually. The original audio recordings were also tested and signal reconstruction was done using the retrieved features for ML. They outperformed the chosen ML-based classifiers across a range of metrics. The classifications of Healthy and COPD as well as Healthy, COPD, and Pneumonia have shown encouraging results in this research. The discussion now turns to the findings, their practical implementation, an examination of classification methods, and concludes with future work recommendations and a brief summary of the results.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 ».