在 COVID-19 测试能力不足的情况下，一种基于人工智能模型的咳嗽声音分析方法结合症状调查，能有效提高较为贫困的地区的 COVID-19 检测能力，并对 2000 多个样本进行了测试。

Sep, 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

利用数字化技术获取身体声音进行 COVID-19 的预筛查，结果表明即使是使用简单的二进制机器学习分类器也能够正确分类健康人和 COVID-19 声音，这为进一步研究如何利用自动分析呼吸模式作为 COVID-19 预筛查信号打开了大门。

Jun, 2020

本文提出了一种采用机器学习的开销较低且易使用的诊断系统，旨在早期识别不同类型的呼吸系统疾病，其中包括 COVID-19 病毒。

Jun, 2020

利用预训练的健康咳嗽检测模型和相对较小的病人咳嗽数据集，我们提出了一种增量迁移学习方法，通过利用健康人咳嗽和 COVID-19 患者咳嗽之间的关系来合理准确地检测 COVID-19 咳嗽，减少了大规模病人数据集用于训练模型的需求。这种模型对于侦测新型呼吸病毒的发作具有重要意义。

Nov, 2023

该研究提出使用人工智能技术开发出一种可通过智能手机应用程序进行 COVID-19 感染筛查的方法，该方法可以区分 COVID-19 咳嗽声与其他类型的咳嗽声。该方案不仅可以成为一种筛查工具，也可以作为临床决策辅助工具，将临床测试和治疗引导给最需要的人，从而挽救更多的生命。

Apr, 2020

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

该论文介绍了一个名为 Coswara 的数据库，该数据库通过机器学习技术分析呼吸声，以便于研制诊断 COVID-19 的声音诊断工具，并适用于大规模应用。

May, 2020

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

本文提出一种基于声音的预筛查工具来检测 COVID-19，并通过对 343 名参与者的 828 个样本的数据进行测试，发现通过结合声音信号和报告症状，可以获得 0.79 的 AUC，0.68 的敏感性和 0.82 的特异性。

Feb, 2021