Nov, 2022

COVID-19 检测深度模型可解释性分析

PDF
TL;DR本研究使用卷积神经网络检测 COVID-19，使用谱图和 F0 等特征解释神经网络判定过程，生成热图来捕捉模型决策过程，结果显示谱图相关能量高的区域对决策过程起主导作用，同时 F0 也有帮助。研究表明，即使在训练集中存在虚假数据的情况下，所研究的模型也可以做出无偏差的决策，为基于解释性人工智能的研究提供了参考。
发现论文，激发创造
  • 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

  • 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

  • 手机音频数据的高效 COVID-19 检测的迁移学习

    通过实验评估了 3 种不同的深度学习模型以及两种传输学习方法，结果表明 L**3-Net 作为特征提取器在所有实验设置中具有 12.3％的精确度 - 召回曲线下面积的优势，并且在模型微调时优势为 10％。此外，我们注意到仅微调预训练模型的全连接层通常会导致性能下降，平均下降 6.6％。最后，我们评估了不同模型在商用移动设备上的内存占用。

    Jul, 2023

  • 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

  • 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

  • 高效 COVID19 检测中释放改进的深度学习模型

    COVID19 预测和检测的深度学习方法在此研究中得到了改进，并且高精度的预测模型可为医疗系统、决策者和研究者做出准确决策以减少 COVID-19 及其它传染病。

    Oct, 2023

  • 解读基于时间序列的 Transformer 模型以及对 COVID-19 感染的不同人群年龄组的敏感性分析

    通过对深度学习时间序列模型进行解释，我们可以了解模型的行为和从原始数据中学习到的模式，以便进行实时决策。本研究使用最新的局部解释方法解释了最先进的时间序列模型，并通过收集三年的美国县级每日病例数据来验证了该方法的可行性。我们利用 13 个输入特征和过去两周的数据来预测未来两周的 COVID-19 感染情况，提出了一种对人口年龄组高度动态多变的感染数据进行预测敏感性评估的创新方法，并将我们的框架应用于交通和电力数据集，证明了该方法的通用性。

    Jan, 2024

  • 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

  • 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

  • 深度学习在新型冠状病毒（COVID-19）检测中的可解释性与不确定性估计

    探讨利用基于放弃权重的贝叶斯卷积神经网络 (BCNN) 估计深度学习解决方案的不确定性来提高人机团队的诊断性能，提高临床实验使用人工智能（AI）的效果。

    Mar, 2020