文献

J-GLOBAL ID：202102228476305234   整理番号：21A3166689

異なる検証法を用いたスノリング認識のためのFisher比に基づく効果的な特徴選択【JST・京大機械翻訳】

Effective feature selection based on Fisher Ratio for snoring recognition using different validation methods

著者 (4件)： Sun Xiaoran (School of Physics and Optoelectronics, South China University of Technology, Guangzhou 510640, China) ,  Peng Jianxin (School of Physics and Optoelectronics, South China University of Technology, Guangzhou 510640, China) ,  Zhang Xiaowen (State Key Laboratory of Respiratory Disease, Department of Otolaryngology-Head and Neck Surgery, Laboratory of ENT-HNS Disease, First Affiliated Hospital, Guangzhou Medical University, Guangzhou 510120, China) ,  Song Lijuan (State Key Laboratory of Respiratory Disease, Department of Otolaryngology-Head and Neck Surgery, Laboratory of ENT-HNS Disease, First Affiliated Hospital, Guangzhou Medical University, Guangzhou 510120, China)
資料名： Applied Acoustics  (Applied Acoustics)
巻： 185  ページ： Null  発行年： 2022年 
JST資料番号： D0559A  ISSN： 0003-682X  資料種別： 逐次刊行物 (A)
記事区分： 短報  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 喫煙は閉塞性睡眠時無呼吸-低呼吸症候群(OSAHS)の重要な特性である。Snoring音は,OSAHSを自動的にスクリーニングするための非侵襲的アプローチを開発するために使用できる。本論文では,音響特性とXGBoostに基づくスノーリング検出アルゴリズムを提案した。Fisher比(FR)法を特徴選択に用い,23次元特徴集合を元の58次元特徴から抽出し,計算量を低減した。種々の訓練と試験データ分割法を用いて,提案モデルの性能を評価した。さらに,提案した方法を独立被験者訓練セットとテストセットに関する深層学習法と比較した。提案モデルによる縮小特徴集合の精度は,独立被験者訓練セットとテストセットに関して87.22%と深い学習モデル87.26%であり,試験セットに関する深い学習モデルの予測時間はおよそ238msであり,XGBoostの予測時間はおよそ58msであり,XGBoostの計算効率は深い学習モデルのものより高い。結果は,提案方法が計算コストと性能の間の良いバランスを達成することを示した。これらの結果は,OSAHSのスノーリングの迅速でリアルタイムの分類と評価のための重要な方法を提供する。Copyright 2021 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 学習モデル ,  音響 ,  音響特性 ,  *特徴選択 ,  計算量 ,  分割法
準シソーラス用語： 被験者 ,  計算効率 ,  非侵襲 ,  実時間 ,  計算コスト ,  試験データ ,  音響特徴 ,  検出アルゴリズム ,  深層学習 , 【Automatic Indexing@JST】

著者キーワード (5件)： スノーリング認識 ,  特徴選択 ,  Fisher比 ,  音響特徴 ,  XGBoost

分類 (1件)： 建築音響  (BB03080J)

タイトルに関連する用語 (2件)： 検証 ,  特徴選択