Sep, 2023

面向边缘设备的联邦几 - shot 咳嗽分类

PDF
TL;DR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。
cough soundsdiagnosisrespiratory diseasesfew-shot learningfederated learning
发现论文，激发创造
  • 探索自监督表示集合用于 COVID-19 咳嗽分类

    本文提出了一种基于自监督学习的框架，通过对未标记的数据进行对比性预训练，从而在 COVID-19 疾病状态下对咳嗽进行分类。

    May, 2021

  • 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

  • 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

  • 诊断 COVID-19 的安全联邦学习方法

    通过 HIPAA 合规模型和联邦学习方法进行 COVID-19 诊断，使用可视化技术强调胸部 X 射线中暗示 COVID-19 阳性诊断的关键特征。

    Jan, 2024

  • 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

  • COVID-19 胸部 X 光图像的联邦学习实验

    在 COVID-19 识别方面，人工智能发挥着重要作用，特别是结合计算机视觉和深度学习技术可以帮助确定感染 COVID-19 的情况，然而，没有患者的特定医疗相关数据，深度学习方法在检测 COVID-19 时可能会缺乏足够的数据样本。因此，联邦学习是一种可以解决这个问题的方法，该论文提出了在 COVID-19 数据训练方面使用联邦学习的想法，并进行了实验验证其有效性。此外，作者还使用了四个流行模型（MobileNet，ResNet18，MoblieNet 和 COVID-Net）进行对比分析，结果表明联邦学习框架相较于未使用框架的模型能够更好地检测 COVID-19。

    Jul, 2020

  • 医疗协作联邦学习：边缘多模态 COVID-19 诊断

    本文旨在利用边缘计算和集群联邦学习等技术进行医学中的智能化诊断，为缺乏先进诊断设备的偏远医疗中心提供安全的多模态数据。作者评估了该框架在 COVID-19 诊断方面的表现，并在 X 射线和超声数据集上实现了 F1 得分的显着提高。同时，作者还探讨了在隐私和延迟敏感的应用程序中部署机器学习所涉及的挑战、技术、工具和技巧。

    Jan, 2021

  • 集成联邦学习：一种协作性肺炎诊断方法

    通过集成联邦学习方法，在医疗图像数据集隐私保护的前提下，在胸部 X 线图像中取得了 96.63％的准确度，并在文献中与其他方法取得了相当竞争性的结果。

    Dec, 2023

  • 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

  • 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