Elpošanas akustisko signālu apstrāde trokšņainā vidē

Abstract

Bakalaura darba mērķis ir izpētīt akustisko signālu apstrādes metodes un dziļo neironu tīklu pielietojumu izelpu atpazīšanā un elpošanas ātruma noteikšanā no mikrofonu datiem. Pētāmās metodes iekļauj vienu intensitātes konvolūcijas filtru un divus klasifikatora (VOXSEG) un objektu detektēšanas (YOLO OD) konvolūcijas neironu tīklus. Trīs eksperimenti tika veikti, lai salīdzinātu pieeju veiktspēju dažādu elpošanas ciklu atpazīšanai un biežuma noteikšanai, salīdzinot pret standarta medicīniskās tehnikas rezultātiem. Konvolūcijas filtra metode spēja izšķirt izelpas apraudzītajā intervālā, bet konvolūciju neironu tīklu modeļi sniedza precīzākus rezultātus mierīgas elpošanas intervālā, norādot gan nepieciešamību datu kopas pilnveidošanai, gan augstu potenciālu jaunai elpošanas novērošanas sistēmai.

This thesis investigates the application of acoustic signal processing methods and deep neural networks in exhalation recognition and respiratory rate determination from microphone data. Methods studied include one convolutional filter and two (classifier and object detection) convolutional neural networks. Three experiments were conducted to compare the performance of the approaches for recognizing and frequency determination of different respiratory cycles, compared to the results of standard medical techniques. The convolutional filter method was able to distinguish exhalations at all respiratory frequencies, but the convolutional neural network models provided more accurate results in the normal breathing interval, indicating both the need for data set improvement and high potential for a new respiratory monitoring system.