La fonctionnalité de recherche est en construction.
La fonctionnalité de recherche est en construction.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Acoustic HMMs to Detect Abnormal Respiration with Limited Training Data HMM acoustiques pour détecter une respiration anormale avec des données d'entraînement limitées

Masaru YAMASHITA

  • Vues en texte intégral

    0

  • Citer

Résumé:

Dans de nombreuses situations, des sons anormaux, appelés sons fortuits, sont inclus avec les bruits pulmonaires d'un sujet souffrant de maladies pulmonaires. Ainsi, une méthode pour détecter automatiquement les sons anormaux lors de l’auscultation a été proposée. Les caractéristiques acoustiques des bruits pulmonaires normaux pour les sujets témoins et des bruits pulmonaires anormaux pour les patients sont exprimées à l'aide de modèles de Markov cachés (HMM) pour distinguer les bruits pulmonaires normaux et anormaux. De plus, des sons anormaux ont été détectés dans un environnement bruyant, notamment des bruits cardiaques, à l'aide d'un modèle de bruits cardiaques. Cependant, le score F1 obtenu pour détecter une respiration anormale était faible (0.8493). De plus, la durée et les propriétés acoustiques des segments de bruits respiratoires, cardiaques et fortuits variaient. Dans notre méthode précédente, les HMM appropriés pour les segments cardiaques et sonores adventifs ont été construits. Bien que les propriétés des types de sons fortuits varient, une topologie appropriée pour chaque type n’a pas été prise en compte. Dans cette étude, des HMM appropriés pour les segments de chaque type de son fortuit et d'autres segments ont été construits. Le score F1 a été augmenté (0.8726) en sélectionnant une topologie appropriée pour chaque segment. Les résultats démontrent l'efficacité de la méthode proposée.

Publication
IEICE TRANSACTIONS on Information Vol.E106-D No.3 pp.374-380
Date de publication
2023/03/01
Publicisé
2022/12/19
ISSN en ligne
1745-1361
DOI
10.1587/transinf.2022EDP7068
Type de manuscrit
PAPER
Catégories
Pattern Recognition

Auteurs

Masaru YAMASHITA
  Nagasaki University

Mots-clés

Table des matières