Sep, 2023

借助人工智能利用咳嗽进行呼吸系统疾病诊断的研究综述

PDF
TL;DR对咳嗽数据驱动的机器学习 / 深度学习检测和初步诊断框架进行了综合概述，包括显著特征的详细列表，并分析了引起咳嗽的机制和呼吸模式的潜在咳嗽特征，以及定制咳嗽监测应用和其基于人工智能的识别算法。此外，还详细讨论了发展实用、强大和普遍解决方案的挑战和未来研究方向。
cough acousticsartificial intelligencemachine learningdeep learningrespiratory disease
发现论文，激发创造
  • AI4COVID-19: 基于 AI 的咳嗽样本初步诊断 COVID-19 的应用程序

    该研究提出使用人工智能技术开发出一种可通过智能手机应用程序进行 COVID-19 感染筛查的方法，该方法可以区分 COVID-19 咳嗽声与其他类型的咳嗽声。该方案不仅可以成为一种筛查工具，也可以作为临床决策辅助工具，将临床测试和治疗引导给最需要的人，从而挽救更多的生命。

    Apr, 2020

  • 机器学习咳嗽音频分析早期检测结核病：朝着更可获得的全球分级使用

    通过分析手机麦克风中的咳嗽声的声学特征，该研究开发了一个集成模型来检测结核病，该模型通过患者咳嗽声数据和人口统计学数据进行训练，在 15 秒内获得结果，可通过移动应用程序轻松访问。

    Oct, 2023

  • 基于端到端人工智能的现场诊断系统，用于分类呼吸系统疾病和早期检测 COVID-19

    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

  • 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

  • 一种使用咳嗽音的基于人工智能的无偏见呼吸道疾病诊断模型：COVID-19 的案例研究

    通过提出的偏差无关网络 (RBFNet)，结合 CNN 和 LSTM 网络进行特征编码，并在分类方案中加入额外的偏差预测器，形成条件生成对抗网络 (cGAN)，旨在应对混杂变量对呼吸道疾病预测的影响，利用 COVID-19 数据集证明了 RBFNet 相对于 CNN-LSTM 模型在不同偏斜训练情景下的优越性。

    Jan, 2024

  • 关注咳嗽：使用可解释的症状嵌入和咳嗽信号处理进行 COVID-19 的早期诊断

    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

  • 探索基于众包呼吸音数据自动诊断 COVID-19

    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

  • 利用咳嗽声优化低资源环境下的胸部 X 光使用

    通过分析咳嗽声，使用人工智能算法可以预测病人进行胸部 X 光检查时的结果，从而优化有限的医疗资源在低收入和中等收入国家中的应用。

    Feb, 2024

  • 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

  • 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