基于神经网络的生物机械声参数的估计
Jonas Donhauser1, Bogac Tur1, Michael Döllinger1
1Division of Phoniatrics and Pediatric Audiology, Department of Otorhinolaryngology, Head and Neck Surgery, University Hospital Erlangen, Friedrich-Alexander University Erlangen-Nürnberg, Erlangen, Germany.
Frontiers in physiology
|March 7, 2024
概括
这项研究引入了一种新的神经网络模型,从高速视频数据中准确估计声的生物力学特性. 这种方法比以前的方法提供了更快,更全面的喉动态分析.
科学领域:
- 生物力学 生物力学
- 计算建模计算建模
- 喉动力学 喉动力学
背景情况:
- 声 (VF) 振动驱动声调,但生物力学因素的直接测量受到高速视频 (HSV) 内镜的限制.
- 基于物理的数值模型提供了洞察力,但需要计算密集的反向问题解决来估计生物力学性质.
研究的目的:
- 开发一个卷积循环神经网络 (CRNN) 作为声建模中的生物机械反向问题的替代品.
- 为了从HSV数据中快速明确计算生物力学参数.
主要方法:
- 一个CRNN在声动态的生理性六质模型 (6MM) 上受过训练.
- 该网络通过使用288个ex vivo猪HSV记录来预测子球压力来验证.
- 此外,CRNN还接受了训练,以预测合成数据上的VF质量和刚度.
主要成果:
- 通过CRNN在预测血球下压的平均绝对误差为133Pa (13.9%),对实验数据的相关性为76.6%.
- 获得了重新估计的基本频率MAE15.9赫兹 (9.9%).
- 在网络培训中,亚球压被确定为最容易学习的参数.
结论:
- CRNN 作为整个生物机械反向问题的有效替代品,使得拟合模型的显式计算成为可能.
- 这种方法推进了喉动力学和生物力学模型适合声动态的估计.
