Jan, 2021

通过呼吸和咳嗽声音进行端到端 COVID-19 检测

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 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

  • 利用机器学习分析全球智能手机录音进行 COVID-19 咳嗽分类

    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

  • COUGHVID 众包数据集：用于研究大规模咳嗽分析算法的语料库

    该研究通过其公开的咳嗽检测算法筛选了 COUGHVID 数据集中的 2000 多个记录，然后经验丰富的肺科医生对这些记录进行了诊断，为解决全球最紧急的健康危机提供了用于训练机器学习模型的咳嗽录音数据。

    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

  • 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

  • 一个半监督算法，用于提高众包数据集的一致性：以 COVID-19 呼吸系统疾病分类为例的研究

    本研究使用半监督学习方法改善 COUGHVID 数据集标注不一致和 COVID-19 咳嗽声音分类的鲁棒性，同时展示了新数据集的高度一致性和可解释性，该方法可用于改善任何诊断分类任务的数据库一致性。

    Sep, 2022

  • 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