基于卷积神经网络的听力损失分类模型的性能比较,使用听觉脑干响应数据
Jun Ma1, Seong Jun Choi2, Sungyeup Kim3
1Department of Software Convergence, Soonchunhyang University, Asan 31538, Republic of Korea.
Diagnostics (Basel, Switzerland)
|June 27, 2024
概括
这项研究表明,深度学习模型AlexNet能够准确地从听觉脑干响应 (ABR) 图像中分类听力损失,准确率为95.93%,有助于自动诊断.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 听力学 听力学是指听力学.
背景情况:
- 听力损失诊断依赖于听觉脑干响应 (ABR) 数据.
- 自动化ABR分析可以提高诊断效率.
研究的目的:
- 用ABR图像评估卷积神经网络 (CNN) 模型用于听力损失分类.
- 为了比较六个CNN架构的性能:VGG16,VGG19,DenseNet121,DenseNet-201,AlexNet和InceptionV3.3的性能.
主要方法:
- 使用了7990个预处理ABR图像的数据集.
- 系统测试了六个CNN模型的分类准确性.
- 基于准确性和计算效率进行了比较分析.
主要成果:
- 亚历克斯网在分类听力损失方面实现了最高准确率的95.93%.
- 在ABR图像分析中证明了深度学习模型的有效性.
结论:
- 深度学习,特别是AlexNet,显示出从ABR图表中自动化听力损失诊断的巨大潜力.
- 进一步完善模型可以提高临床应用和诊断准确性.
