Machine Learning Strategies for the Acoustic Interpretation of Snoring Noise

Janott, Christoph

User: Guest

Feinwerktechnik, Medizintechnik, Technische Optik, Reprographietechnik

Back
Back to start of result list
Permanent link for displayed object

If you experience problems opening the document, please try this link.

Original title:: Machine Learning Strategies for the Acoustic Interpretation of Snoring Noise
Translated title:: Strategien des maschinellen Lernens für die akustische Interpretation von Schnarchgeräuschen
Author:: Janott, Christoph
Year:: 2021
Document type:: Dissertation
Faculty/School:: 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 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
Date of submission:: 13.07.2020
Oral examination:: 16.04.2021
File size:: 26286968 bytes
Pages:: 136
Urn (citeable URL):: https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20210416-1547362-1-6
Last change:: 31.05.2021
BibTeX