使用深度神经网络从呼吸和咳嗽声音中检测 COVID-19
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
开发了一种深度学习模型用于从声音记录数据中识别 COVID-19,使用声音数据为 COVID-19 诊断提供了有前景的结果。
Feb, 2024
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
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
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
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
通过网络修剪和量化的方法,我们成功地压缩了两个用于检测 COVID-19 的模型,同时不降低模型的预测性能,并实现了模型文件大小的大幅减小以及相应推理时间的缩短。
Sep, 2023
本文提出了基于对比学习的建模方法,从非 COVID 咳嗽中发现 COVID-19 的咳嗽和呼吸模式,并通过大量实验验证了模型的有效性和不同因素的影响。
Jun, 2023
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