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
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。
Sep, 2023
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
该研究通过使用机器学习,特别是结合表格数据,更准确地预测结核病(TB)的治疗结果,将这一预测任务转化为二元分类问题,并通过来自印度国家结核病控制计划的 50 万多个病人记录的数据生成风险评分。数据预处理是该研究的关键组成部分,在验证集上获得了 98% 的召回率和 0.95 的 AUC-ROC 得分。该研究还探索了自然语言处理(NLP)在模型学习中的应用,通过各种指标和消融研究证实了该方法的有效性。研究通过讨论我们的研究对结核病根除工作的潜在影响,并提出了未来的研究方向,展示了机器学习在医疗保健中的潜力。
Mar, 2024
通过深度学习和图像处理,研究提出了一种多类别分类方法来增加胸部疾病的诊断精确性,通过与多个经过预训练的迁移学习模型进行比较,该方法在 COVID-19、肺结核和肺炎的诊断上表现出了高准确度。
Oct, 2023
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
结核病在全球资源匮乏的人群和偏远地区持续存在,每年新增感染者超过 1000 万人,是公共卫生领域不平等的显著象征。通过介绍一种针对结核病筛查的可解释自监督自训练学习网络,本研究实现了 98.14% 的出色总准确率,并在 95.72% 的召回率和 99.44% 的精确率下,有效捕获临床重要特征。
Jun, 2024
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
利用全球最大的公开医疗数据库中的呼吸声音,结合经验模式分解和谱分析等方法,训练多个机器学习模型对不同健康状况进行分类诊断,从而大大提高辅助和远程诊断能力。
Sep, 2023
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