呼吸声数据库是由葡萄牙和希腊的两个研究小组创建的。它包括920个不同长度的注释录音，长度从10秒到90秒不等。这些记录来自126名患者。总共有5.5小时的记录包含6898个呼吸周期，其中1864个包含爆裂声，886个包含喘息声，506个包含爆裂声和喘息声。这些数据既包括干净的呼吸声，也包括模拟真实生活条件的嘈杂录音。患者跨越所有年龄组——儿童、成人和老年人。
这个Kaggle数据集包括:
920 .wav声音文件
920注解 .txt文件
列出每个患者诊断的文本文件
解释文件命名格式的文本文件
一个列出91个名字的文本文件(filename_differences.txt)
包含每个患者的人口统计信息的文本文件
数据太大放在百度云盘
2022-09-02 19:04:27
68B
1
提出了一种神经网络的SVM(支持向量机)呼吸音识别算法，将通过小波分析得到的呼吸音特征输入神经网络，作为SVM方法的特征输入，对训练样本进行训练，再对测试样本进行分类识别。对于呼吸音反映的3种状态（正常、轻度病变和重度病变）进行了识别，同时与K最近邻(KNN)方法进行比较。实验结果表明，SVM方法具有较高的识别精度，能够对呼吸音状态进行识别，同时在此领域也验证了在神经网络方法中无法避免的局部极值问题。提示基于 SVM 方法的神经网络呼吸音识别算法有较好的精度，可为身体局域网技术提供信息处理的有效算法。
2022-03-30 00:35:46
5.74MB
1
深度学习对呼吸音进行分类
CMG Hackathon的数字健康挑战赛第二名
建立了深度学习分类器，以区分生病和未生病的患者。 最终模型-测试装置的准确度为87.6％
质谱图数据
图像变换（均值，方差归一化）
基础：VGG模型经过预训练，带有ImageNet
顶部：密集连接的网络（带有Dropout）
优化器：SGD w /学习率衰减
5冷冻层
去做：
集成学习：在紧密连接的模块之前合并多个模型
平均模型：采用在不同模型上训练的模型，对最终结果进行平均以估计条件
2021-12-03 09:10:59
172KB
1
[进行中]呼吸音分类
呼吸声的各种特征在不同程度上有助于分类表示，例如音调质心，频谱对比度，色谱图，梅尔频率谱图，梅尔频率倒谱系数和短期傅里叶变换。 我们建议使用深度学习方法（即卷积神经网络）来发现呼吸音分类的潜在多个特征的功效和效率。 这可能有助于在大流行期间为COVID-19初步筛查开发新颖的数据驱动模型。 研究呼吸声的多种特征也可能填补临床数据和筛查方法之间的空白。
[TBD]（麻省理工学院开发了一种通过听咳嗽来检测Covid-19的AI模型（论文解释））[ ]
他的YouTube频道真棒。
2021-11-25 10:46:14
1.19MB
1