Machine Learning Strategies for the Acoustic Interpretation of Snoring Noise

Janott, Christoph

Benutzer: Gast

Feinwerktechnik, Medizintechnik, Technische Optik, Reprographietechnik

Zurück
Zurück zum Anfang der Trefferliste
Dauerhafter Link zum angezeigten Objekt

Wenn Sie Schwierigkeiten haben, das Dokument zu öffnen, versuchen Sie auch bitte diesen Link

Originaltitel:: Machine Learning Strategies for the Acoustic Interpretation of Snoring Noise
Übersetzter Titel:: Strategien des maschinellen Lernens für die akustische Interpretation von Schnarchgeräuschen
Autor:: Janott, Christoph
Jahr:: 2021
Dokumenttyp:: Dissertation
Fakultät/School:: Fakultät für Elektrotechnik und Informationstechnik
Betreuer:: Hemmert, Werner (Prof. Dr.)
Gutachter:: Hemmert, Werner (Prof. Dr.); Schuller, Björn (Prof. Dr. habil.)
Sprache:: en
Fachgebiet:: FEI Feinwerktechnik, Medizintechnik, Technische Optik, Reprographietechnik
TU-Systematik:: PHY 820d; MED 370d
Kurzfassung:: 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.
Übersetzte Kurzfassung:: 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 ihren diagnostischen Nutzen diskutiert. «
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... »
WWW:: https://mediatum.ub.tum.de/?id=1547362
Eingereicht am:: 13.07.2020
Mündliche Prüfung:: 16.04.2021
Dateigröße:: 26286968 bytes
Seiten:: 136
Urn (Zitierfähige URL):: https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20210416-1547362-1-6
Letzte Änderung:: 31.05.2021
BibTeX