MFCC パラメータの最適化

Assel K Zhantleuova¹, Yerbulat K Makashev², Nurzhan T Duzbayev¹

¹Department of Computer Engineering, International Information Technology University, Almaty 050040, Kazakhstan.

Sensors (Basel, Switzerland)

|August 28, 2025

まとめ

メル周波数セプストラル係数 (MFCC) のパラメータを最適化すると,呼吸段階検出の精度が大幅に改善されます. 最適化された設定は,臨床モニタリングアプリケーションの分類パフォーマンスを向上させます.

科学分野:

生物医学工学
シグナル処理
デジタル・ヘルス

背景:

呼吸段階の検出は臨床とデジタル医療の応用において極めて重要です
標準的なMel周波数セプストラル係数 (MFCC) の設定では,しばしば最適でない分類性能が得られます.
呼吸器の音の分析のための特徴抽出方法の改善が必要である.

研究の目的:

呼吸フェーズ検出の強化のために,メル周波数セプストラル係数 (MFCC) パラメータを体系的に最適化します.
サポートベクトルマシン (SVM) とディープラーニングモデルを使用して,分類精度に対するMFCCパラメータ最適化の影響を評価する.
精度と遅延の間の実用的なトレードオフをリアルタイムでの臨床アプリケーションで特定する.

主な方法:

1500個の呼吸器音のデータセットが使用された.
メル周波数セプストラル係数 (MFCC) のパラメータは,係数数,フレーム長,ホップ長を含む,体系的に最適化されました.
分類性能は,サポートベクトルマシン (SVM) を使用して評価され,ディープラーニングモデル (VGGish,YAMNet,MobileNetV2) と比較されました.

主要な成果:

最適なMFCCパラメータ (30系数,800msフレーム長,10msホップ長) は,87.16%の精度を達成し,デフォルト設定 (80.96%) よりも大幅に改善しました.
最適化されたMFCCは,確立されたディープラーニング方法と同等またはそれよりも優れたパフォーマンスを示しました.
臨床的に実用的な200〜300ミリ秒のフレーム長さは,精度 (85. 08%) と遅延率の間の好ましいバランスを提供しました.

結論:

最適化されたMFCCパラメータは,呼吸段階の分類の精度を大幅に高めます.
これらの最適化されたパラメータは,呼吸器のリアルタイムモニタリングのための効率的で解釈可能なソリューションを提供します.
多様な臨床環境でのさらなる検証と高度な学習戦略の探索が推奨されています.

キーワード:

MFCC SVM についてディープラーニングオプティマイズ呼吸器フェーズ検出

さらに関連する動画