相关实验视频
Updated: Jun 28, 2026
07:24
Home-Based Monitor for Gait and Activity Analysis
Published on: August 8, 2019
6.7K
在高度不平衡的可穿戴式监测数据中发现多尺度肠道声音事件:算法开发和验证研究
Annalisa Baronetto1,2, Luisa Graf3, Sarah Fischer4,5
1Hahn-Schickard, Freiburg, Germany.
JMIR AI
|July 10, 2024
概括
这项研究开发了一个人工智能模型,使用可穿戴传感器自动检测肠道声音 (BSs). 效率-U-Net模型在连续音频中准确地识别BS,帮助进行非侵入性胃肠道疾病评估.
科学领域:
- 生物医学工程 生物医学工程
- 胃肠病学 胃肠病学
- 信号处理 信号处理
背景情况:
- 腹腔听觉,或听取肠道声音 (BSs),有助于消化分析.
- 自动BS检索为评估胃肠道疾病提供了一种非侵入性方法.
研究的目的:
- 开发一个多尺度的探测模型来检测连续音频数据中的BS.
- 使用可穿戴监控系统进行非侵入性BS检测.
主要方法:
- 设计了一个基于Efficient-U-Net (EffUNet) 架构的发现模型.
- 对10秒的音频段进行分析,时间分辨率为25毫秒.
- 来自18名健康参与者和9名IBD患者的136小时标记数据,分析了11,482个BS.
主要成果:
- 在健康和IBD组中,BS事件发现的F1得分中位数为0.73.
- 在各种噪音条件下,EffUNet实现了0.73回忆和0.72精度.
- 高精度 (>0.83) 在BS比率>0.05;回忆在BS持续时间≤1.5秒下降到0.60以下.
结论:
- 该EffUNet探测器证明了对背景噪声和不同BS持续时间的稳定性.
- 在未经修改,稀疏的音频数据方面,EffUNet超过了以前的BS检测模型.
- 该模型通过准确的BS检索促进了非侵入性胃肠道评估.
