arXiv cs.AI· Ying-Chieh Hsu, Stanley Yung-Chuan Liu, Chao-Jung Huang, Chi-Wei Wu, Ren-Kai Cheng, Jane Yung-Jen Hsu, Shang-Ran Huang, Yuan-Ren Cheng, Fu-Shun Hsu·· 11 小时前AI 评分31
基于鼾声的深度学习多层级气道塌陷定位，用于阻塞性睡眠呼吸暂停患者
Deep learning-based multi-level airway collapse site localization on obstructive sleep apnea patients based on snoring sounds
AI 导读
研究用 ResNet-50 与 Audio Spectrogram Transformer（AST）基于鼾声识别阻塞性睡眠呼吸暂停患者的多层级上气道塌陷，AST 显著优于 ResNet-50（Bonferroni 校正后 P<0.05）。
正文 · AI 翻译
摘要：目的 本研究评估了深度学习模型，特别是 ResNet-50 和音频频谱图变换器（AST），利用鼾声识别阻塞性睡眠呼吸暂停（OSA）患者多平面上气道塌陷的能力。方法 使用 2020 年至 2021 年间接受药物诱导睡眠内镜（DISE）检查的 37 名受试者的鼾声录音，训练模型完成两项多标签任务：识别软腭（V）、口咽（O）、舌根（T）和会厌（E）平面的阻塞，以及区分腭后（RP）与舌后（RG）平面的阻塞。结果 AST 模型显著优于 ResNet-50（Bonferroni 校正后 P <0.05），能够有效识别 V、O 和 RP 平面的阻塞（F1 分数：0.59-0.87，马修斯相关系数：0.50-0.80，AUC：0.87-0.97）。然而，由于样本量较小，即使采用合成少数类过采样技术，两种模型在 T、E 和 RG 平面的性能仍然有限。对整夜记录的分析进一步证明了声学分析用于气道动力学评估的可行性。结论 AST 模型能够通过鼾声有效识别 V、O 和 RP 平面的气道阻塞。所提出的模型为追踪夜间气道动力学和辅助临床治疗规划提供了一种有前景的无创工具。
| 主题： | 声音（cs.SD）；人工智能（cs.AI）；机器学习（cs.LG）；音频与语音处理（eess.AS） |
| 引用为： | arXiv:2408.16030 [cs.SD] |
| （或 arXiv:2408.16030v3 [cs.SD] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2408.16030 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Shang Ran Huang [查看邮箱]
[v1]
2024 年 8 月 28 日星期三 09:30:20 UTC（583 KB）
[v2]
2025 年 1 月 9 日星期四 06:33:24 UTC（1,247 KB）
[v3]
2026 年 10 月 20 日星期二 10:55:14 UTC（1,578 KB）
来源：arXiv cs.AI · arxiv.org