DeepCough: 一种可穿戴的咳嗽检测系统中的深度卷积神经网络
本研究探讨了使用深度学习模型作为一种通用的、低成本的 COVID-19 预筛查方法,以从手机设备或通过 Web 获取的呼吸或咳嗽音频中检测 COVID-19,通过深度学习模型的集成表现优于传统方法,特别针对呼吸音频具有更好的诊断性能。
Dec, 2020
本文旨在通过建立分類模型和策略識别呼吸声異常的方法来自動辨别呼吸和肺部疾病,提出使用深度 CNN-RNN 模型基于 Mel-spectrograms 进行呼吸声分类,并采用局部日志量化策略来减少模型权重的内存占用,该模型在 ICBHI'17 科学挑战呼吸声数据库的呼吸周期四级分类上达到 66.31% 的分数,在使用患者特定数据重新训练模型后,还能以 71.81% 的成绩进行交叉验证,而局部日志量化训练后的权重则能够显著降低内存需求,这种类型的患者特定再培训策略在开发可靠的长期自动患者监测系统特别是在可穿戴式医疗解决方案中可能非常有用。
Apr, 2020
本研究探讨了使用内置麦克风传感器的智能手表来监测咳嗽并检测各种咳嗽类型的潜力。我们对 32 名参与者进行了一项研究,并以受控方式收集了 9 小时的音频数据。随后,我们使用结构化方法处理了这些数据,得到了 223 个阳性咳嗽样本。我们进一步通过增加技术改进了数据集,并采用了专门的 1D CNN 模型。该模型在非步行状态下的准确率达到了 98.49%,步行状态下达到了 98.2%,证明了智能手表可以检测到咳嗽。此外,我们的研究成功使用聚类技术识别出了四种不同类型的咳嗽。
Jan, 2024
本研究利用自发集成的数据集,首次尝试使用端到端的深度学习方法对 COVID-19 进行诊断,ROC-AUC 为 0.846;引入自定义的深度神经网络,以关节呼吸和咳嗽表示的方式诊断 COVID-19;提供了四个分层折叠的数据集以及模型细节,以进行交叉参数优化和验证,并具备可重现性。
Jan, 2021
介绍了过去十年咳嗽检测的研究,描述了 AioCare 便携式肺活量检测系统的自动咳嗽检测解决方案,该解决方案基于气流信号而非音频信号,使用逻辑回归、神经网络、支持向量机等分类器进行训练并选择了人工神经网络,测试表明该分类器精度稳健,能够应用于不同的环境和患者,是第一个基于气流信号的自动咳嗽检测算法描述,并且是第一个应用于商用肺活量检测系统的咳嗽检测算法。
Feb, 2019
通过对深度学习算法在新型冠状病毒 COVID-19 检测中的应用进行全面探讨,研究人员指出,基于胸部 CT 和 X 射线图像的深度学习算法可以有效地检测肺炎,从而实现对 COVID-19 的早期诊断和预防传播。同时,文章还简要讨论了最新的咳嗽分析应用和人类移动估计技术,以限制 COVID-19 的传播。
Dec, 2020
本研究利用深度学习算法和卷积神经网络对肺音记录进行呼吸相检测,并将算法检测出的呼吸相与两个有经验的肺音专家手动标注的呼吸相进行比较评估,结果显示算法检测出的和人工标注的呼吸相存在高度一致性,因此该算法适用于肺音记录中的呼吸相检测。
Mar, 2019
本研究基于机器学习算法,利用智能手机记录的咳嗽声,通过音频识别辨别新冠肺炎呈阳性患者的咳嗽声,实现无接触筛查,该方法具有使用方便、成本低廉等优点,并证明 Resnet50 分类器效果最佳。
Dec, 2020
利用咳嗽声音进行 COVID-19 检测的研究,探讨了增强机器学习模型性能的各种声学特征提取技术,并在两种机器学习算法(支持向量机和多层感知机)上进行了实证研究,提出了一种高效的 COVID-19 检测系统。该系统在 COUGHVID 和 Virufy 数据集上表现出更好的分类性能。
Sep, 2023
对咳嗽数据驱动的机器学习 / 深度学习检测和初步诊断框架进行了综合概述,包括显著特征的详细列表,并分析了引起咳嗽的机制和呼吸模式的潜在咳嗽特征,以及定制咳嗽监测应用和其基于人工智能的识别算法。此外,还详细讨论了发展实用、强大和普遍解决方案的挑战和未来研究方向。
Sep, 2023