相关实验视频
Updated: Jun 6, 2025
04:33
Methods for Detecting Cough and Airway Inflammation in Mice
Published on: August 2, 2024
560
使用卷积循环神经网络进行自动咳分析
Yiping Wang1, Mustafaa Wahab2, Tianqi Hong3
1Department of Engineering Physics, McMaster University, Hamilton, ON L8S 4K1, Canada.
Bioengineering (Basel, Switzerland)
|November 27, 2024
概括
研究人员开发了一种机器学习模型,使用音频录音准确检测和分类咳声音. 这种自动化咳分析工具达到98%的准确性,为改善呼吸道疾病监测提供了潜力.
科学领域:
- 呼吸系统医学 呼吸系统医学
- 人工智能的人工智能
- 信号处理 信号处理
背景情况:
- 慢性咳显著影响患者的健康和生活质量.
- 对咳严重程度的定量实时监测对于临床实践和研究至关重要.
- 在日常环境中测量自发咳的现有工具是有限的.
研究的目的:
- 开发和评估用于自动咳声音检测和分类的机器学习模型.
- 评估Mel光谱图作为咳分析特征表示的有效性.
- 为了比较各种机器学习算法用于咳监测.
主要方法:
- 利用Mel光谱图来捕捉咳声音的时间和光谱特征.
- 训练并比较机器学习算法,包括决策树,SVM,k-NN,后勤回归,随机森林和神经网络.
- 将模型应用于临床咳挑战研究中的300小时音频录音.
主要成果:
- 卷积循环神经网络 (CRNN) 方法显示出最高的有效性.
- 从音频数据中识别单个咳的准确度达到了98%.
- 突出了CRNNs在分析复杂的咳模式方面的潜力.
结论:
- 神经网络模型,特别是CRNNs,显示出完全自动化咳监测的重大前景.
- 开发的方法为定量咳评估提供了一个潜在的解决方案.
- 在现实环境中检测自发咳需要进一步验证,特别是在耐火性慢性咳的患者中.
