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

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

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

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

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

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

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

本文提出了一种多模式方法，通过结合现有的卷积神经网络深度学习分类器和一个新的考虑每种症状流行度的概率加权函数，以预测 COVID-19。实验结果表明，在考虑加权函数时，相比于等权重函数，我们的方法显著提高了 COVID-19 的检测效果。

Sep, 2021

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

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