相关实验视频
Updated: Jun 26, 2025
09:54
A Model to Simulate Clinically Relevant Hypoxia in Humans
Published on: December 22, 2016
8.8K
基于转移学习和模型融合,自动检测OSAHS患者
Li Ding1,2, Jianxin Peng2, Lijuan Song3
1Guangzhou Railway Polytechnic, Guangzhou 510430, People's Republic of China.
Physiological measurement
|May 9, 2024
概括
一种新型的融合模型使用打声音准确地检测阻塞性睡眠呼吸暂停缺综合征 (OSAHS) 患者. 这种非侵入性方法实现了100%的准确性,使潜在的家庭诊断成为可能.
科学领域:
- 生物医学工程 生物医学工程
- 人工智能在医学中的应用
- 睡眠医学 睡眠医学
背景情况:
- 打是阻塞性睡眠呼吸暂停缺综合征 (OSAHS) 的主要症状.
- 开发非侵入性,自动化的OSAHS检测方法对于患者管理至关重要.
- 目前的诊断方法可能是侵入性的或需要专门的设施.
研究的目的:
- 开发和评估一种基于打声音的非侵入性,自动化方法来检测基于打声音的OSAHS患者.
- 调查融合模型的有效性,结合转移学习技术用于OSAHS分类.
主要方法:
- 采用了模型融合方法,整合了三个基本模型:视觉几何组-16 (VGG16),预训练的音频神经网络 (PANN) 和Mel频 cepstral 系数 (MFCC).
- XGBoost被用来根据功能重要性进行功能选择.
- 对于模型融合,使用了多数投票策略,以离开一个主体的交叉验证进行评估.
主要成果:
- 合并模型,包括VGG16的前5个特征,前5个PANN特征和MFCC特征,在识别OSAHS患者时实现了100%的准确性 (呼吸暂停-呼吸暂停指数> 5).
- 该模型显示了高分类性能.
结论:
- 拟议的融合模型为OSAHS检测提供了一种强大且计算效率高的方法.
- 这种非侵入性技术具有显著的潜力,可以实现OSAHS的远程和家庭诊断.
