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
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
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。
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
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
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
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
发展了一个名为 F2LCough 的新型框架，采用了少样本学习和联邦学习的方法来有效地进行咳嗽声音分类，解决高成本、数据稀缺和隐私问题，该方法在 COVID-19 Thermal Face & Cough 数据集上取得了 86% 的平均 F1-Score，为咳嗽相关疾病的检测和诊断建立了基础框架。
Sep, 2023
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。