Sep, 2023

EDAC：高效部署用于 COVID-19 检测的音频分类模型

PDF
TL;DR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。
covid-19pre-screening methodsmachine learningnetwork pruningquantisation
发现论文，激发创造
  • 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

  • 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

  • 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

  • 通过呼吸和咳嗽声音进行端到端 COVID-19 检测

    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

  • 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

  • COVID-19 检测深度模型可解释性分析

    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。

    Nov, 2022

  • 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

  • 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