一个1D打波形和2D复合声学特征基于图形的多模式融合网络,用于阻塞性站点识别

科学领域:

• 生物医学工程 生物医学工程
• 耳鼻喉科 耳鼻喉科 耳鼻喉科
• 信号处理 信号处理

背景情况:

• 精确地定位上呼吸道阻塞部位对于诊断和治疗与睡眠有关的呼吸障碍至关重要.
• 打是一种动态的声信号,提供了一种非侵入性的方法来识别阻塞点,但现有的方法通常使用有限的信息或单一的模式.
• 当前的方法可能会忽略补充数据,单独分析1D信号或2D图像.

研究的目的:

• 开发和验证一个多模式框架,用于准确地识别上呼吸道的阻塞部位,使用打的声音.
• 整合来自1D打波形和2D复合声学特征图 (CAF-图) 的信息,以进行更全面的分析.
• 通过增强的打分析,提高睡眠相关呼吸障碍的诊断能力.

主要方法:

• 提出了一个多式模式框架,结合了1D打波形分析和2D CAF-Graph表示.
• 利用神经网络从1D打波形中学习歧视性表示,捕捉精细的时间结构.
• 开发了一个2D CAF-Graph,通过连接Prosodic,Formant,Spectral和Cepstral特征来强调时空和生理声学特征.
• 采用多模式融合网络 (BMFNet) 来整合两种模式的信息.

主要成果:

• 多模式框架在临床数据集上实现了81.2%的准确度,86.8%的加权平均精度,81.2%的加权平均回忆率和82.3%的加权平均F1分数.
• 分类任务包括三个类别:上呼吸道阻塞,下呼吸道阻塞和没有打.
• 证明了整合多模式特征的有效性,以改善打分析和阻塞部位识别.

结论:

• 拟议的多模式框架有效地利用1D打波形和2D CAF-图表来准确识别阻塞部位.
• 这种方法通过整合单一模式特征之间的独立和互动信息,提供了更全面的视角.
• 这些发现提供了新的洞察力,并为与睡眠相关的呼吸障碍的非侵入性诊断提供了潜在的有价值的工具.