利用磁性呼吸感应技术与机器学习相结合，创建了用于实时追踪和诊断 COVID-19 和其他呼吸疾病的诊断平台，通过多种呼吸测试协议准确捕捉呼吸模式并评估多个机器学习算法的诊断能力，达到 90% 以上的准确度。

Nov, 2023

本文提出了一种采用机器学习的开销较低且易使用的诊断系统，旨在早期识别不同类型的呼吸系统疾病，其中包括 COVID-19 病毒。

Jun, 2020

该研究使用深度学习技术建立了一种早期筛查模型，通过分割和分类肺部 CT 图像来区分 COVID-19 肺炎，流感 A 病毒性肺炎和健康情况，并证明其为临床医生提供的一种有效的补充诊断方法。

Feb, 2020

本研究旨在使用自分类分类器，结合各种人工智能方法，通过血液检测样本和放射学图像将 COVID-19 患者与其他人区分开。提出的模型在数据集上实现了 94.09％的准确率，并在更短时间内提供结果。此外，还将放射学图像分为四类，并通过提取肺叶并进行分类来实现了 91.1％的准确率。总的来说，本研究强调了人工智能在 COVID-19 的检测和管理中的潜力，并强调了在该领域继续进行研究和发展的重要性。

Apr, 2024

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

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

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

该研究通过建立一个基于呼气空气流体力学的生物特征识别系统来验证关于呼气气流结构可以用于建立生物特征算法的假设，并应用多维假设检验和机器学习模型的方法来构建用户验证和用户识别算法，并对 94 名人体样本的呼气时间序列样本数据集进行实验和评估，结果表明该算法具有较高的真实确认率，并揭示了未曾发现的独特呼气气流湍流特征，此外还探讨了该生物特征系统作为一种获得个体之间胸外空气道形态变异见解的工具的潜在用途。

Jan, 2024

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