基于卷积神经网络与拉普拉斯隐半马尔可夫模型的新生儿肠鸣音检测
声音
2022-06-02 v3 机器学习
音频与语音处理
摘要
腹部听诊是一种便捷、安全且廉价的评估肠道状况的方法，在新生儿护理中至关重要。它有助于早期检测新生儿肠道功能障碍并允许及时干预。本文提出一种新生儿肠鸣音检测方法来辅助听诊。具体而言，提出一种卷积神经网络（CNN）来对蠕动与非蠕动声音进行分类。随后使用拉普拉斯隐半马尔可夫模型（HSMM）对分类进行优化。所提方法在我们三级新生儿重症监护病房（NICU）收治的 49 名新生儿的腹部声音上进行了验证。结果显示该方法能有效检测肠鸣音，准确率与曲线下面积（AUC）得分分别为 89.81% 和 83.96%，优于 13 种基线方法。此外，所提拉普拉斯 HSMM 细化策略被证明能够增强其他肠鸣音检测模型。本工作成果有潜力促进未来新生儿护理的远程医疗应用。我们的工作源代码可见于：https://bitbucket.org/chirudeakin/neonatal-bowel-sound-classification/
引用
@article{arxiv.2108.07467,
title = {Neonatal Bowel Sound Detection Using Convolutional Neural Network and Laplace Hidden Semi-Markov Model},
author = {Chiranjibi Sitaula and Jinyuan He and Archana Priyadarshi and Mark Tracy and Omid Kavehei and Murray Hinder and Anusha Withana and Alistair McEwan and Faezeh Marzbanrad},
journal= {arXiv preprint arXiv:2108.07467},
year = {2022}
}
备注
Published in IEEE/ACM Transactions on Audio Speech and Language Processing journal