.png){kind=icon}
返回
Cascaded Machine Learning Algorithm for Snoring Detection Based on Audio Signal
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-06952-8_9.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
打鼾对人类健康有显著影响，并且是全球普遍存在的问题。因此，本研究旨在建立一种机器学习算法来检测打鼾。基于梅尔频率倒谱系数（MFCCs）和过零率（ZCR）提取打鼾的声学特征。提取的特征作为级联模型的输入，其中第一层随机森林（RF）模型用于评估特征的重要性并提取最重要的特征。然后，精简后的特征集和RF的预测结果输入第二层，即具有径向基函数（RBF）核的支持向量机（SVM）分类器，其中SVM学习何时RF的预测结果可信，同时利用其在非线性信号建模方面的优势保持独立决策能力。因此，这种级联模型结构充分利用了RF和SVM的双重优势。模型的准确率达到了95%以上，与当前最先进的方法相当，证明了所提出结构的有效性。未来可以开展更多研究，以利用更大、多模态的数据集进一步在实际场景中提高其准确性。
Keyword:
Snoring
Cascaded Model
Machine Learning
期刊
C
IF:
0
论文数:
24
被引数:
0
机构
引用论文
Review and perspective on sleep-disordered breathing research and translation to clinics睡眠呼吸障碍研究的回顾与展望
OAAI
OAAI分享收藏
Prediction model of residual load-bearing capacity of composite laminates using deep learning.png)
Acoustic Emission Signal Analysis and Damage Mode Identification of Composite Wind Turbine Blades
Acoustic Emission Signal Analysis and Damage Mode Identification of Composite Wind Turbine BladesIF0
PREAI
分享收藏The Frequency and Energy of Snoring Sounds Are Associated with Common Carotid Artery Intima-Media Thickness in Obstructive Sleep Apnea PatientsSCIENTIFIC REPORTSOAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏
查看更多内容