TW202224628A - 呼吸功能檢測方法及裝置 - Google Patents
呼吸功能檢測方法及裝置 Download PDFInfo
- Publication number
- TW202224628A TW202224628A TW109146891A TW109146891A TW202224628A TW 202224628 A TW202224628 A TW 202224628A TW 109146891 A TW109146891 A TW 109146891A TW 109146891 A TW109146891 A TW 109146891A TW 202224628 A TW202224628 A TW 202224628A
- Authority
- TW
- Taiwan
- Prior art keywords
- respiratory function
- function detection
- classification models
- sound
- breathing
- Prior art date
Links
- 230000004202 respiratory function Effects 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title abstract description 7
- 238000013145 classification model Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 36
- 230000029058 respiratory gaseous exchange Effects 0.000 claims abstract description 30
- 208000037656 Respiratory Sounds Diseases 0.000 claims abstract description 11
- 238000001514 detection method Methods 0.000 claims description 24
- 238000013527 convolutional neural network Methods 0.000 claims description 19
- 208000006545 Chronic Obstructive Pulmonary Disease Diseases 0.000 claims description 15
- 238000012706 support-vector machine Methods 0.000 claims description 15
- 208000029523 Interstitial Lung disease Diseases 0.000 claims description 9
- 230000004962 physiological condition Effects 0.000 claims description 6
- 230000002685 pulmonary effect Effects 0.000 claims description 6
- 230000006403 short-term memory Effects 0.000 claims description 5
- 150000001875 compounds Chemical class 0.000 claims 1
- 230000006870 function Effects 0.000 description 10
- 201000010099 disease Diseases 0.000 description 9
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000000241 respiratory effect Effects 0.000 description 6
- 210000004072 lung Anatomy 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 230000000414 obstructive effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 208000023504 respiratory system disease Diseases 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000004064 dysfunction Effects 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 206010061818 Disease progression Diseases 0.000 description 1
- 208000019693 Lung disease Diseases 0.000 description 1
- 208000001145 Metabolic Syndrome Diseases 0.000 description 1
- 201000000690 abdominal obesity-metabolic syndrome Diseases 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000005750 disease progression Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000012123 point-of-care testing Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000013125 spirometry Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Measuring devices for evaluating the respiratory organs
- A61B5/087—Measuring breath flow
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B7/00—Instruments for auscultation
- A61B7/003—Detecting lung or respiration noise
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Physiology (AREA)
- Pulmonology (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Fuzzy Systems (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
呼吸功能檢測方法及裝置。所述方法包括：訓練多個分類模型，透過收音裝置來對呼吸聲音進行收音，以產生呼吸訊號，並且經由已訓練的各分類模型來對呼吸訊號進行分類，以獲得對應於各分類模型的分類結果。
Description
本發明是有關於一種生理狀態檢測方法及裝置，且特別是有關於一種呼吸功能檢測方法及裝置。
由於工業和氣候變化的迅速發展導致嚴重的空氣污染，呼吸功能障礙目前已成為緊急的公共衛生問題。呼吸系統疾病（Respiratory Diseases）可分為兩類：限制性（respiratory）疾病與阻塞性（obstruction）疾病。其中，間質性肺疾病（interstitial lung disease，ILD）作為是限制性疾病的代表之一，而慢性阻塞性肺疾病（Chronic Obstruction Pulmonary Disease，COPD）作為阻塞性疾病的代表之一。其中，COPD經常伴隨發生例如心血管疾病、代謝症候群、憂鬱症等慢性疾病。
而為了識別呼吸功能障礙，開發了各種臨床測定法。其中，肺活量測定法是當前常用測定方法，其是將肺量計放至患者嘴內，請患者用力吸氣後再吐氣，來量測肺部的氣體量和速度，藉此進行評估。然，現有作法皆需要訓練有素的專家和複雜的設備，因而限制了對公眾的普及性。
本發明提供一種呼吸功能檢測方法及裝置，可即時來檢測呼吸功能，以判定是否有潛在的呼吸系統疾病的風險。
本發明的呼吸功能檢測方法，包括：訓練多個分類模型；透過收音裝置來對呼吸聲音進行收音，以產生呼吸訊號；以及經由已訓練的所述分類模型分別來對呼吸訊號進行分類，以獲得對應於各分類模型的分類結果。
在本發明的一實施例中，所述訓練分類模型的步驟包括：基於反應於多個肺部生理狀況的參數，控制氣流產生器產生用以模擬呼吸的多種氣流；透過收音裝置對這些氣流進行收音而產生多個訓練訊號；以及利用所述訓練訊號來訓練所述分類模型。
在本發明的一實施例中，所述訓練分類模型的步驟包括：基於多個病人呼吸圖譜來產生所述訓練訊號；以及利用所述訓練訊號來訓練所述分類模型。
在本發明的一實施例中，所述分類模型包括支持向量機（Support Vector Machine，SVM）模型、卷積神經網路模型（Convolutional Neural Network，CNN）以及應用長短期記憶的複合卷積神經網路（compounded CNN with Long Short Term Memory，ConvLSTM）模型。
在本發明的一實施例中，所述分類結果為輕微慢性阻塞性肺病、嚴重慢性阻塞性肺病、間質性肺疾病（interstitial lung disease，ILD）以及正常狀態其中一個。
在本發明的一實施例中，所述收音裝置以非接觸方式進行收音。
在本發明的一實施例中，所述收音裝置為麥克風。
本發明的呼吸功能檢測裝置，包括：收音裝置以及運算裝置。運算裝置，耦接至收音裝置，並配置以：訓練多個分類模型；透過收音裝置來對呼吸聲音進行收音，以產生呼吸訊號；以及經由已訓練的所述分類模型分別來對呼吸訊號進行分類，以獲得對應於各分類模型的分類結果。
基於上述，使用機器學習算法來建立多個分類模型，通過直接對使呼吸聲音進行收音來幫助識別呼吸功能是否異常。據此，不僅能從限制性疾病中識別出阻塞性疾病外，它還可以作為需要持續保持警惕的患者的監測設備。
圖1是依照本發明一實施例的呼吸功能檢測裝置的方塊圖。請參照圖1，呼吸功能檢測裝置100包括運算裝置110以及收音裝置130。運算裝置110可透過有線方式或無線方式耦接至收音裝置130。而收音裝置130可內建於運算裝置110，也可外接至運算裝置110。運算裝置110為具有運算功能的電子裝置。例如，運算裝置110為筆記型電腦、平板電腦、智慧型手機等。
收音裝置130例如為手持式的麥克風，其可以非接觸方式進行收音。在一實施例中，可將收音裝置130與運算裝置110整合為至穿戴式裝置或可攜式電子裝置上。例如，在智慧型手錶或智慧型手機上設置收音裝置130以便於使用者來收集呼吸聲音。
在一實施例中，可在訓練分類模型的過程中，利用氣流產生器產生用以模擬呼吸的多種氣流。具體而言，透過運算裝置110控制氣流產生器基於反應於多個肺部生理狀況的參數來產生氣流。例如，根據肺的順應性（Lung Compliance）和抵抗力來模擬病理狀況，藉此重建多種呼吸模式，以基於各呼吸模式來產生對應的氣流（模擬呼吸的氣流）。呼吸氣流依賴於肺的彈性後坐力和氣道阻力之間的平衡。肺順應性表明經肺壓的肺活量變化，而氣道阻力規定呼吸壓力下的流速。順應性和抵抗力都是量化呼吸系統功能的重要指標。所述病理狀況例如為慢性阻塞性肺疾病（Chronic Obstruction Pulmonary Disease，COPD）、間質性肺疾病（ILD）等。
在訓練模型階段，將收音裝置130移動至氣流產生器的輸出口附近，以對氣流產生器所產生的氣流進行收音來產生訓練訊號。之後，將訓練訊號傳送給運算裝置110來訓練多個分類模型。
另外，在另一實施例中，利用呼吸描記器（Pneumograph）來對多個病人進行測量，以此獲得多個病人呼吸圖譜。呼吸描記器用以記錄呼吸中胸部運動的速度和力量。而運算裝置110基於這些病人呼吸圖譜來產生多個訓練訊號，並利用這些訓練訊號來訓練分類模型。
又，亦可直接針對多個病人進行呼吸聲音的收音，據此來建立訓練用的聲音資料庫。
圖2是依照本發明一實施例的呼吸功能檢測方法的流程圖。請同時參照圖1及圖2，首先，在步驟S210中，訓練多個分類模型。在此，可藉由氣流產生器來產生用以模擬呼吸的多種氣流。例如，運算裝置110基於反應於多個肺部生理狀況的參數，控制氣流產生器產生氣流。接著，透過收音裝置130對所述氣流進行收音而產生多個訓練訊號。另外，在其他實施例中，運算裝置110也可基於多個病人呼吸圖譜來產生多個訓練訊號。之後，運算裝置110便可利用所述訓練訊號來訓練分類模型。
在本實施例中，所述分類模型包括支持向量機（Support Vector Machine，SVM）模型、卷積神經網路（Convolutional Neural Network，CNN）模型以及應用長短期記憶的複合卷積神經網路（compounded CNN with Long Short Term Memory，ConvLSTM）模型。然，在此僅為舉例說明，並不以此為限。
在此，SVM模型是使用Python程式語言的自由軟體機器學習庫（例如Scikit-learn庫）來實現。而具有TensorFlow後端的Keras庫則用於神經網路結構。
在本實施例中，採用9成分的主成分分析（Principal Component Analysis，PCA）來提取特徵，以搭配SVM模型使用。
而CNN模型包括2個卷積層（Convolutional layer）。第一層卷積層包含5個濾波器。每一個濾波器的卷積核尺寸（kernel size）為5×1，步長（stride）為5，且具有整流線性（Rectified Linear Units layer，ReLU）激活函數以及L2正規化（L2 regularization）。接著，使用大小為2和0.5的釋放層（dropout layer）的最大池化（max pooling）。第二層卷積層包含20個濾波器，其使用參數與第一層相同。在全連接層（Fully Connected layer）中，使用30個隱藏神經元和ReLU激活函數。在最終密集層（final dense layer）中，使用softmax激活函數，以生成逐級分類機率。
另外，在ConvLSTM模型中，在密集層（dense layer）之前引入了具有ReLU激活函數和L2正規化功能的附加64單元的LSTM層。並且，使用Adam等最佳化器（optimizer）來進行權重優化，以最小化兩個神經網路模型（neural network (NN) model）中的分類交叉熵（cross entropy）的損失。
圖3是依照本發明一實施例的訓練分類模型的示意圖。圖4是依照本發明一實施例的分類模組準確率的比較圖。請參照圖3及圖4，將多個訓練訊號310分別作為SVM模型320、CNN模型330以及ConvLSTM模型340的輸入來獲得分類結果350。
在本實施例中，氣流產生器針對特定生理條件進行參數設置，以建立多種呼吸模式，再透過收音裝置130來獲得訊練訊號310。例如，使用了兩個極端COPD水平（底下稱為輕微COPD、嚴重COPD）來從嚴重病例中識別出輕度病例。每種疾病重建了75種不同的呼吸模式。
在此，聲音波形直接用於訓練SVM模型320、CNN模型330以及ConvLSTM模型340，以便區分輕微COPD、嚴重COPD、ILD以及正常狀態。如圖4所示，SVM模型320、CNN模型330以及ConvLSTM模型340的準確率皆保持在90％以上。
在監督學習領域中，SVM模型320是具有高維特徵映射函數的強大分類器，可通過超平面（hyperplane）使得類別分離。但是，這種淺層機器學習技術適用於小型資料集。隨著資料集的資料數量的增加以及更多類別可供選擇，重疊特徵會使支持向量不堪負荷，從而導致性能下降。對於一個具有大量類別重疊的足夠大的資料集，CNN模型330和ConvLSTM模型340則優於SVM模型320。
在分類模型訓練完之後，在步驟S220中，透過收音裝置130來對呼吸聲音進行收音，以產生呼吸訊號。在此，利用手持式的收音裝置以非接觸方式對目標對象的呼吸聲音進行收音。
之後，在步驟S230中，經由已訓練的分類模型（如圖3所示的SVM模型320、CNN模型330以及ConvLSTM模型340）分別來對呼吸訊號進行分類，以獲得對應於各分類模型的分類結果。之後，還可根據所獲得多個分類結果來進行交叉驗證。另外，在其他實施例中，在步驟S230中亦可只採用準確率最高的分類模型來進行分類。
綜上所述，本揭露使用機器學習算法來建立多個分類模型，通過直接對呼吸聲音進行收音來幫助識別呼吸功能是否異常。據此，不僅能從限制性疾病中識別出阻塞性疾病外，它還可以作為需要持續保持警惕的患者的監測設備，並且大幅簡化了輸入數據的取得方式。
與當前常用測定方法需要專業和複雜設備的繁重需求相反，本揭露使用低成本的收音裝置（例如麥克風）即能夠達成呼吸功能監測的效果。這種方法可以為初步診斷提供基礎，並且可以進一步有助於呼吸道健康的即時檢驗。基於本揭露可趁早評估出潛在的呼吸系統疾病，以及時干預來緩解症狀並限制疾病進展，同時可以減輕財務負擔。
100:呼吸功能檢測裝置
110:運算裝置
130:收音裝置
S210～S230:呼吸功能檢測方法的各步驟
310:訓練訊號
320:SVM模型
330:CNN模型
340:ConvLSTM模型
350:分類結果
圖1是依照本發明一實施例的呼吸功能檢測裝置的方塊圖。
圖2是依照本發明一實施例的呼吸功能檢測方法的流程圖。
圖3是依照本發明一實施例的訓練分類模型的示意圖。
圖4是依照本發明一實施例的分類模組準確率的比較圖。
S210~S230:呼吸功能檢測方法的各步驟
Claims (14)
- 一種呼吸功能檢測方法，包括： 訓練多個分類模型； 透過一收音裝置來對一呼吸聲音進行收音，以產生一呼吸訊號；以及 經由已訓練的該些分類模型分別來對該呼吸訊號進行分類，以獲得對應於各該些分類模型的分類結果。
- 如請求項1所述的呼吸功能檢測方法，其中訓練該些分類模型的步驟包括： 基於反應於多個肺部生理狀況的參數，控制一氣流產生器產生用以模擬呼吸的多種氣流； 透過該收音裝置對該些氣流進行收音而產生多個訓練訊號；以及 利用該些訓練訊號來訓練該些分類模型。
- 如請求項1所述的呼吸功能檢測方法，其中訓練該些分類模型的步驟包括： 基於多個病人呼吸圖譜來產生該些訓練訊號；以及 利用該些訓練訊號來訓練該些分類模型。
- 如請求項1所述的呼吸功能檢測方法，其中該些分類模型包括支持向量機模型、卷積神經網路模型以及應用長短期記憶的複合卷積神經網路模型。
- 如請求項1所述的呼吸功能檢測方法，其中該分類結果為輕微慢性阻塞性肺病、嚴重慢性阻塞性肺病、間質性肺疾病以及正常狀態其中一個。
- 如請求項1所述的呼吸功能檢測方法，其中該收音裝置以非接觸方式進行收音。
- 如請求項1所述的呼吸功能檢測方法，其中該收音裝置為麥克風。
- 一種呼吸功能檢測裝置，包括： 一收音裝置；以及 一運算裝置，耦接至該收音裝置，並配置以： 訓練多個分類模型； 透過該收音裝置來對一呼吸聲音進行收音，以產生一呼吸訊號；以及 經由已訓練的該些分類模型分別來對該呼吸訊號進行分類，以獲得對應於各該些分類模型的分類結果。
- 如請求項8所述的呼吸功能檢測裝置，其中該運算裝置耦接至一氣流產生器，且經配置以控制該氣流產生器基於反應於多個肺部生理狀況的參數來產生多種氣流， 該收音裝置對該些氣流進行收音而產生多個訓練訊號， 該運算裝置自該收音裝置獲得該些訓練訊號，以利用該些訓練訊號來訓練該些分類模型。
- 如請求項8所述的呼吸功能檢測裝置，其中該運算裝置經配置以基於多個病人呼吸圖譜來產生該些訓練訊號，並利用該些訓練訊號來訓練該些分類模型。
- 如請求項8所述的呼吸功能檢測裝置，其中該些分類模型包括支持向量機模型、卷積神經網路模型以及應用長短期記憶的卷積神經網路模型。
- 如請求項8所述的呼吸功能檢測裝置，其中該分類結果為輕微慢性阻塞性肺病、嚴重慢性阻塞性肺病、間質性肺疾病以及正常狀態其中一個。
- 如請求項8所述的呼吸功能檢測裝置，其中該收音裝置以非接觸方式進行收音。
- 如請求項8所述的呼吸功能檢測裝置，其中該收音裝置為麥克風。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW109146891A TWI848197B (zh) | 2020-12-30 | 2020-12-30 | 呼吸功能檢測方法及裝置 |
| US17/234,824 US20220202389A1 (en) | 2020-12-30 | 2021-04-20 | Method and apparatus for detecting respiratory function |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW109146891A TWI848197B (zh) | 2020-12-30 | 2020-12-30 | 呼吸功能檢測方法及裝置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW202224628A true TW202224628A (zh) | 2022-07-01 |
| TWI848197B TWI848197B (zh) | 2024-07-11 |
Family
ID=82120282
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW109146891A TWI848197B (zh) | 2020-12-30 | 2020-12-30 | 呼吸功能檢測方法及裝置 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US20220202389A1 (zh) |
| TW (1) | TWI848197B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116920346A (zh) * | 2023-08-01 | 2023-10-24 | 深圳市花生数字多媒体有限公司 | 一种基于虚拟现实的呼吸训练方法和系统 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024091194A1 (en) * | 2022-10-26 | 2024-05-02 | Li̇nus Ses Teknoloji̇leri̇ Medi̇kal Sanayi̇ Ve Ti̇caret Li̇mi̇ted Şi̇rketi̇ | Respiratory measurement and monitoring system |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8932227B2 (en) * | 2000-07-28 | 2015-01-13 | Lawrence A. Lynn | System and method for CO2 and oximetry integration |
| CN102107037A (zh) * | 2009-12-28 | 2011-06-29 | 周常安 | 气体递送系统 |
| US11304624B2 (en) * | 2012-06-18 | 2022-04-19 | AireHealth Inc. | Method and apparatus for performing dynamic respiratory classification and analysis for detecting wheeze particles and sources |
| CN104688232B (zh) * | 2015-03-23 | 2017-12-01 | 北京怡和嘉业医疗科技股份有限公司 | 一种睡眠呼吸暂停的检测方法及设备 |
| US9687208B2 (en) * | 2015-06-03 | 2017-06-27 | iMEDI PLUS Inc. | Method and system for recognizing physiological sound |
| US10159459B2 (en) * | 2016-11-11 | 2018-12-25 | iMEDI PLUS Inc. | Multi-mic sound collector and system and method for sound localization |
| BR112021024196A2 (pt) * | 2019-05-30 | 2022-02-08 | Insurance Services Office Inc | Sistemas e métodos para aprendizado de máquina de atributos de voz |
| WO2021067860A1 (en) * | 2019-10-03 | 2021-04-08 | DawnLight Technologies Inc. | Systems and methods for contactless sleep monitoring |
| CN112052896B (zh) * | 2020-09-03 | 2021-11-09 | 推想医疗科技股份有限公司 | 图像处理方法及装置，分类模型的训练方法及装置 |
| CN112150442A (zh) * | 2020-09-25 | 2020-12-29 | 帝工(杭州)科技产业有限公司 | 基于深度卷积神经网络及多实例学习的新冠诊断系统 |
-
2020
- 2020-12-30 TW TW109146891A patent/TWI848197B/zh active
-
2021
- 2021-04-20 US US17/234,824 patent/US20220202389A1/en not_active Abandoned
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116920346A (zh) * | 2023-08-01 | 2023-10-24 | 深圳市花生数字多媒体有限公司 | 一种基于虚拟现实的呼吸训练方法和系统 |
| CN116920346B (zh) * | 2023-08-01 | 2024-03-22 | 深圳市万景数字有限公司 | 一种基于虚拟现实的呼吸训练方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20220202389A1 (en) | 2022-06-30 |
| TWI848197B (zh) | 2024-07-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shuvo et al. | A lightweight CNN model for detecting respiratory diseases from lung auscultation sounds using EMD-CWT-based hybrid scalogram | |
| JP7716075B2 (ja) | 呼吸器疾患を診断するために疾患シグネチャを使用して咳音を分析するための方法 | |
| Rayan et al. | Utilizing CNN-LSTM techniques for the enhancement of medical systems | |
| CN110556129A (zh) | 双模态情感识别模型训练方法及双模态情感识别方法 | |
| Tasar et al. | Accurate respiratory sound classification model based on piccolo pattern | |
| US20230380792A1 (en) | Method and apparatus for determining lung pathologies and severity from a respiratory recording and breath flow analysis using a convolution neural network (cnn) | |
| Vhaduri et al. | Environment knowledge-driven generic models to detect coughs from audio recordings | |
| TW202224628A (zh) | 呼吸功能檢測方法及裝置 | |
| Engin et al. | Extraction of low-dimensional features for single-channel common lung sound classification | |
| CN118787831A (zh) | 一种情绪感知及干预系统、方法、装置和机器人 | |
| Hu et al. | Auditory receptive field net based automatic snore detection for wearable devices | |
| Palaniappan et al. | Classification of pulmonary pathology from breath sounds using the wavelet packet transform and an extreme learning machine | |
| Ye et al. | Identification of OSAHS patients based on ReliefF-mRMR feature selection | |
| Malik et al. | Classification of Normal and Crackles Respiratory Sounds into Healthy and Lung Cancer Groups. | |
| Do et al. | Classification of respiratory conditions using auscultation sound | |
| Ingco et al. | Development of a spectral feature extraction using enhanced mfcc for respiratory sound analysis | |
| Kumar | Multi spectral feature extraction to improve lung sound classification using CNN | |
| CN114680867A (zh) | 呼吸功能检测方法及装置 | |
| Lo Giudice et al. | Explainable deep learning classification of respiratory sound for telemedicine applications | |
| Hung et al. | Exploring cough sounds in chronic obstructive pulmonary disease (copd) patients using machine learning techniques | |
| US20230380719A1 (en) | Method and apparatus for simultaneous collection, processing and display of audio and flow events during breathing | |
| Edakkadan et al. | Deep learning based portable respiratory sound classification system | |
| Faustino | Crackle and wheeze detection in lung sound signals using convolutional neural networks | |
| Muszynski et al. | Cough diary based on sound classification, source validation and event detection | |
| Hakki et al. | Wheeze events detection using convolutional recurrent neural network |