User: Guest  Login
Original title:
Machine Learning Strategies for the Acoustic Interpretation of Snoring Noise 
Translated title:
Strategien des maschinellen Lernens für die akustische Interpretation von Schnarchgeräuschen 
Year:
2021 
Document type:
Dissertation 
Institution:
Fakultät für Elektrotechnik und Informationstechnik 
Advisor:
Hemmert, Werner (Prof. Dr.) 
Referee:
Hemmert, Werner (Prof. Dr.); Schuller, Björn (Prof. Dr. habil.) 
Language:
en 
Subject group:
FEI Feinwerktechnik, Medizintechnik, Technische Optik, Reprographietechnik 
TUM classification:
PHY 820d; MED 370d 
Abstract:
Snoring is a relevant social problem. It is multifactorial and can be generated in different locations in the upper airways. This thesis describes machine learning strategies to distinguish snoring sounds according to their source of excitation based on their acoustic properties. Two classification schemes are presented and compared with respect to their performance using machine learning strategies, and the results are discussed in view of their diagnostic usefulness. 
Translated abstract:
Schnarchen ist ein relevantes gesellschaftliches Problem. Es ist multifaktoriell und kann an unterschiedlichen Stellen der oberen Atemwege entstehen. Diese Arbeit beschreibt Strategien des maschinellen Lernens, um Schnarchgeräusche basierend auf den akustischen Eigenschaften nach ihrer Anregungsquelle zu unterscheiden. Zwei Klassifikationsschemata werden vorgestellt, hinsichtlich ihrer Eignung für den Einsatz mit Methoden des maschinellen Lernens untersucht und die Ergebnisse im Hinblick auf ihr...    »
 
Oral examination:
16.04.2021 
File size:
26286968 bytes 
Pages:
136 
Last change:
31.05.2021