MMSep, 2021

基于深度学习的多模式 COVID-19 症状检测和概率加权模式

PDF
TL;DR本文提出了一种多模式方法，通过结合现有的卷积神经网络深度学习分类器和一个新的考虑每种症状流行度的概率加权函数，以预测 COVID-19。实验结果表明，在考虑加权函数时，相比于等权重函数，我们的方法显著提高了 COVID-19 的检测效果。
covid-19detection techniquesdeep learning classifierssymptomsweighting function
发现论文，激发创造
  • 基于症状的机器学习模型用于 COVID-19 的早期检测：文献综述

    通过病人症状，临床数据和医疗成像的大数据集，机器学习模型能够分析预测 COVID-19，其中症状为基础的模型表现良好，但图像为基础的模型的精确度通常较高。

    Dec, 2023

  • 基于图像和声学技术的深度神经网络 COVID-19 检测与诊断：最新综述

    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

  • 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

  • 利用迁移学习将 COVID-19 咳嗽添加到健康人的咳嗽检测模型中

    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

  • 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

  • 多目标优化决定何时、哪些、以及如何融合深度网络：一种预测 COVID-19 结果的应用

    本论文提出了一种基于 Pareto 多目标优化的方法，用于优化多模态深度学习模型的设置。使用此方法在 AIforCOVID 数据集上达到了最先进的结果。同时，利用 XAI 算法，提取了特征的内模重要性，增强了模型预测的可信度。

    Apr, 2022

  • COVID-19 严重性解释和人口特征症状分类的贝叶斯网络和机器学习

    利用三阶段数据驱动方法，通过 COVID-19 症状和其内在人口变量的因果关系、相似性聚类和人口症状识别模型，揭示了病毒症状之间的关系，并为减轻病毒严重程度提供了见解。

    Jun, 2024

  • 利用深度神经网络和超声成像检测 COVID-19 疾病

    该论文提出利用卷积神经网络分析肺部超声扫描图像，以检测 COVID-19 病例，成为辅助诊断工具的一种尝试。

    Apr, 2021

  • 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

  • 基于演化的 Tsukamoto 神经模糊模型在胸部 X 光图像中多类 Covid 19 分类中的应用

    本研究提出了一种基于机器学习和神经模糊推理网络的自动 COVID-19 检测框架，采用猫群优化算法更新参数，从胸部 X 光图像中提取六个纹理特征作为输入，经过模拟实验，其精度为 98.51％, 敏感度为 98.35％，特异度为 98.08％，F1 得分为 98.17％。

    May, 2023