利用众包呼吸声数据开发 COVID-19 的多变量预测模型
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
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
本文提出一种基于声音的预筛查工具来检测 COVID-19,并通过对 343 名参与者的 828 个样本的数据进行测试,发现通过结合声音信号和报告症状,可以获得 0.79 的 AUC,0.68 的敏感性和 0.82 的特异性。
Feb, 2021
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
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
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