Feb, 2021

通过众包数据探讨基于语音和症状的自动 COVID-19 诊断

PDF
TL;DR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。
发现论文，激发创造
  • 探索基于众包呼吸音数据自动诊断 COVID-19

    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

  • 利用众包呼吸声数据开发 COVID-19 的多变量预测模型

    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

  • 咳嗽对抗 COVID：咳嗽声中 COVID-19 特征的证据

    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

  • 关注咳嗽：使用可解释的症状嵌入和咳嗽信号处理进行 COVID-19 的早期诊断

    通过咳嗽声音特征和症状元数据，设计并开发了可解释的 COVID-19 诊断 AI 框架，能够以 95.04% 至 96.83% 的高特异性和准确性区分 COVID-19 患者的咳嗽和非 COVID-19 患者的咳嗽。

    Oct, 2020

  • 使用深度神经网络从呼吸和咳嗽声音中检测 COVID-19

    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

  • COVID-19 检测系统：基于咳嗽音频特征的系统性能比较分析

    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

  • 通过呼吸和咳嗽声音进行端到端 COVID-19 检测

    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

  • COVID-19 下智能语音分析的早期研究：严重程度、睡眠质量、疲劳和焦虑

    本研究主要围绕使用智能语音分析技术对新冠肺炎确诊患者进行分类，从而测定患者病情、睡眠质量、疲劳和焦虑状况等方面的状态，采用支持向量机等算法进行建模和分类，结果表明该方法可以低成本、快速、方便地自动检测新冠肺炎。

    Apr, 2020

  • FAIR4Cov: 融合音频实例和表示的 COVID-19 检测

    本研究提出一种基于多种体音构建的特征向量的新方法 FAIR4Cov，它利用自我关注融合单元将体音波形和频谱图的多重表示结合起来，以提高 COVID-19 检测性能，并实现了比单一表示模型更好的检测结果。

    Apr, 2022

  • EDAC：高效部署用于 COVID-19 检测的音频分类模型

    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