Skip to main content
Hauptrubriken
CME Facharzt-Training Webinare Zeitschriften Bücher e.Medpedia Podcast
Service
Jobbörse Info & Hilfe
Fachgebiete
Anästhesiologie Allgemeinmedizin Arbeitsmedizin Augenheilkunde Chirurgie Dermatologie Gynäkologie und Geburtshilfe HNO Innere Medizin Kardiologie Neurologie Onkologie und Hämatologie Orthopädie und Unfallchirurgie Pädiatrie Pathologie Psychiatrie Radiologie Rechtsmedizin Urologie Zahnmedizin
Themen
Klimawandel und Gesundheit Neues aus dem Markt COVID-19 Praxis und Beruf Seltene Erkrankungen GOÄ & EBM Panorama
Sammlungen
Kasuistiken Algorithmen & Infografiken Blickdiagnosen Arthropedia FlapFinder (für Dermatochirurgen) Videos Kongressberichterstattung Medizin für Apothekerinnen und Apotheker Für Ärztinnen und Ärzte in Weiterbildung Für Medizinstudierende

Live-Webinar: Aktuelle Leitlinien bei Herz-Kreislauf-Erkrankungen

Konkret geht es um den Diabetes-Patienten mit kardiovaskulären Erkrankungen oder Risiken, die Herzinsuffizienz sowie die kardiovaskuläre Primär- und Sekundärprävention. Sind Sie hier schon auf dem neuesten Stand? Unsere Experten beleuchten, wo und warum das bisherige Procedere geändert werden soll und was in der Praxis sinnvoll ist. Holen Sie sich Ihr Update und 2 CME-Punkte beim MMW-Webinar am 24. April von 17.30 bis 19 Uhr. 
Erweiterte Suche
Anmelden
nach oben
HNO
Erschienen in: HNO 9/2019

12.06.2019 | Schnarchen | Originalien

VOTE versus ACLTE: Vergleich zweier Schnarchgeräuschklassifikationen mit Methoden des maschinellen Lernens

verfasst von: Dipl.-Ing. C. Janott, M. Schmitt, C. Heiser, W. Hohenhorst, M. Herzog, M. Carrasco Llatas, W. Hemmert, B. Schuller

Erschienen in: HNO | Ausgabe 9/2019

Einloggen, um Zugang zu erhalten

Zusammenfassung

Hintergrund

Die akustische Analyse von Schnarchgeräuschen ist eine nichtinvasive Methode für die Diagnose von Entstehungsmechanismen des Schnarchens, die während des natürlichen Schlafs durchgeführt werden kann. Ziel der Arbeit ist die Entwicklung und Bewertung von Klassifikationsschemata für Schnarchgeräusche, die eine möglichst aussagekräftige Diagnoseunterstützung ermöglichen.

Material und Methoden

Basierend auf 2 annotierten Schnarchgeräuschdatenbanken mit unterschiedlicher Klassifikation (s-VOTE – 4 Klassen versus ACLTE – 5 Klassen) wurden identisch aufgebaute maschinelle Klassifikationssysteme trainiert. Der Merkmalsextraktor openSMILE wurde in Kombination mit einer linearen Support-Vektor-Maschine zur Klassifikation eingesetzt.

Ergebnisse

Mit einem ungewichteten Average Recall (UAR) von 55,4 % für das s‑VOTE-Modell und 49,1 % für das ACLTE liegen die Ergebnisse auf ähnlichem Niveau. In beiden Modellen gelingt die beste Differenzierung für Epiglottisschnarchen, während velares und oropharyngeales Schnarchen häufiger verwechselt werden.

Schlussfolgerung

Automatisierte akustische Verfahren können bei der Diagnose von Schlafatmungsstörungen unterstützen. Einschränkungen in der Erkennungsleistung sind u. a. durch die begrenzte Größe der Trainingsdatensätze bedingt.
Literatur
1.
Croft C, Pringle M (1991) Sleep nasendoscopy: A technique of assessment in snoring and obstructive sleep apnoea. Clin Otolaryngol Allied Sci 16(5):504–509CrossRefPubMed
2.
Kent D, Rogers R, Soose R (2015) Drug-induced sedation endoscopy in the evaluation of OSA patients with incomplete oral appliance therapy response. Otolaryngol Head Neck Surg 153(2):302–307CrossRefPubMed
3.
De Vito A, Carrasco Llatas M, Ravesloot MJ, Kotecha B, De Vries N, Hamans E et al (2018) European position paper on drug-induced sleep endoscopy: 2017 Update. Clin Otolaryngol 43(6):1541–1552CrossRefPubMed
4.
Heiser C, Fthenakis P, Hapfelmeier A, Berger S, Hofauer B, Hohenhorst W et al (2017) Drug-induced sleep endoscopy with target-controlled infusion using propofol and monitored depth of sedation to determine treatment strategies in obstructive sleep apnea. Sleep Breath 21(3):737–744CrossRefPubMed
5.
Janott C, Pirsig W, Heiser C (2014) Akustische Analyse von Schnarchgeräuschen. Somnologie 18(2):87–95CrossRef
6.
Schmitt M, Janott C, Pandit V, Qian K, Heiser C, Hemmert W et al (2016) A bag-of-audiowords approach for snore sounds’ excitation localisation. Proceedings 14. ITG Conference on Speech Communication, IEEE, S 1–5
7.
Qian K, Janott C, Zhang Z, Heiser C, Schuller B (2016) Wavelet features for classification of VOTE snore sounds. IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP) 2016, S 221–225
8.
Janott C, Schuller B, Heiser C (2017) Acoustic information in snoring noises. HNO 65:107–116CrossRefPubMed
9.
10.
Qian K, Janott C, Deng J, Heiser C, Hohenhorst W, Herzog M et al (2017) Snore sound recognition: On wavelets and classifiers from deep nets to kernels. In 39th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC)
11.
Kezirian EJ, Hohenhorst W, Vries N (2011) Drug-induced sleep endoscopy: the VOTE classification. Eur Arch Otorhinolaryngol 268:1233–1236CrossRefPubMed
12.
Schuller B, Steidl S, Batliner A, Bergelson E, Krajewski J, Janott C et al (2017) The INTERSPEECH 2017 Computational Paralinguistics Challenge: Addressee, cold & snoring. Proceedings of INTERSPEECH; 2017; Stockholm, Sweden, S 20–24
13.
Janott C, Schmitt M, Zhang Y, Qian K, Pandit V, Zhang Z et al (2018) Snoring classified: The Munich-Passau snore sound corpus. Comput Biol Med 94:106–118CrossRefPubMed
14.
Eyben F, Wöllmer M, Schuller B (2010) Opensmile: The munich versatile and fast open-source audio feature extractor. Proceedings of the 18th ACM International Conference on Multimedia, S 1459–1462
15.
Eyben F, Weninger F, Groß F, Schuller B (2013) Recent developments in opensmile, the munich open-source multimedia feature extractor. Proceedings of the 21st ACM International Conference on Multimedia, S 835–838
16.
Schuller B, Steidl S, Batliner A, Vinciarelli A, Scherer K, Ringeval F et al (2013) The INTERSPEECH 2013 Computational Paralinguistics Challenge: Social signals, conflict, emotion, autism. IProceedings of INTERSPEECH; 2013; Lyon, S 148–152
17.
Schuller B, Steidl S, Batliner A, Epps J, Eyben F, Ringeval F et al (2014) The INTERSPEECH 2014 Computational Paralinguistics Challenge: Cognitive & physical load. Proceedings of INTERSPEECH; 2014; Singapore, S 427–431
18.
Schuller B, Steidl S, Batliner A, Hantke S, Hönig F, Orozco-Arroyave JR et al (2015) The INTERSPEECH 2015 Computational Paralinguistics Challenge: Nativeness, Parkinson’s & eating condition. IProceedings of INTERSPEECH; 2015; Dresden, Germany, S 478–482
19.
Fan R, Chang K, Hsieh C, Wang X, Lin C (2008) LIBLINEAR: A library for large linear classification. J Mach Learn Res 9:1871–1874
20.
Qian K, Janott C, Zhang Z, Deng J, Baird A, Heiser C et al (2018) Teaching machines on snoring: A benchmark on computer audition for snore sound excitation localisation. Arch Acoust 43(3):465–475
21.
Fant G (1970) Acoustic theory of speech production
22.
Hessel NS, Vries N (2003) Diagnostic work-up of socially unacceptable snoring. II. Sleep endoscopy. Eur Arch Otorhinolaryngol 259:158–161CrossRef
Metadaten
Titel
VOTE versus ACLTE: Vergleich zweier Schnarchgeräuschklassifikationen mit Methoden des maschinellen Lernens
verfasst von
Dipl.-Ing. C. Janott
M. Schmitt
C. Heiser
W. Hohenhorst
M. Herzog
M. Carrasco Llatas
W. Hemmert
B. Schuller
Publikationsdatum
12.06.2019
Verlag
Springer Medizin
Schlagwörter
Schnarchen
Schlafapnoe
Erschienen in
HNO / Ausgabe 9/2019
Print ISSN: 0017-6192
Elektronische ISSN: 1433-0458
DOI
https://doi.org/10.1007/s00106-019-0696-5

Weitere Artikel der Ausgabe 9/2019

HNO 9/2019 Zur Ausgabe

Originalien

Schlafpositionstrainer zur Behandlung der rückenlagebezogenen obstruktiven Schlafapnoe

Einführung zum Thema

Neue diagnostische und therapeutische Ansätze bei obstruktiver Schlafapnoe

Bild und Fall

Periphere Fazialisparese: Darum ist HNO-Untersuchung essenziell

Medizinrecht

Zum richtigen Umgang mit Bonusmeilen

Original articles

Polysomnography and sleep position, a Heisenberg phenomenon?

Originalien

Die obere Atemwegsstimulation bei obstruktiver Schlafapnoe – Kann die radiologische Lage des Stimulation-Cuff die Zungenbewegung vorhersagen?

Passend zum Thema

ANZEIGE

Schlafapnoe – Einfach erkennen. Individuell behandeln.

Content Hub

Schlafapnoe verhindert gesunden Schlaf und trägt zur Entstehung bzw. Manifestierung von Komorbiditäten wie Bluthochdruck, Vorhofflimmern und Schlaganfällen bei. Einfache Diagnostiktools helfen, frühzeitig das Risiko zu minimieren und individuelle Therapieansätzen umzusetzen.

ResMed Germany Inc.
ANZEIGE

Der Patient* im Fokus – Patient Empowerment als neuer Ansatz?

Das deutsche Gesundheitssystem steht aktuell vor großen Herausforderungen. Innovative Technologien und Handlungsansätze kollidieren mit fest etablierten Meinungen und Strukturen, der Ruf nach Veränderung wird laut. Auch die Patienten bleiben von dieser Entwicklung nicht unberührt.

ANZEIGE

COMISA - Die komorbide Insomnie bei Schlafapnoe

Insomnie und obstruktive Schlafapnoe (OSA) treten häufiger zusammen auf, als man es basierend auf der jeweiligen Prävalenz in der Bevölkerung vermuten würde [1, 2, 3]. In der Fachliteratur nennt sich diese Komorbidität COMISA – comorbid insomnia and sleep apnea.

Bildnachweise