通过使用自我监督学习框架 SimCLR 和 Slowfast NFNet，我们对健康声学进行了对比学习，在各种健康应用中展现了更好的性能，同时深入分析了音频增强策略的有效性。发现组合使用增强策略可以产生超出每个策略单独应用时的协同效应。

Sep, 2023

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

HEAR 基准评估了多种音频嵌入模型，并提供了一个可重复评估的综合开放数据集，以求达到一个通用的音频表示模型，应用于各种语音、环境声和音乐相关的任务中。

Mar, 2022

通过使用移动 / 网络应用程序进行指导性问题，捕捉健康数据并形成音频电子健康记录（Voice EHR），可以利用大型 AI 模型对患者进行快速分类，提升医疗决策，并通过早期检测潜在地改善结果。该报告引入了全球工作的合作伙伴群体、数据收集所使用的应用程序，并展示了信息丰富的声音电子健康记录（Voice EHR）通过弥补单模临床数据集的典型限制，从常规语音 / 呼吸特征、语音模式和具有语义含义的语言中获得的复杂生物标识可能带来的潜在可扩展性和多样性。

Apr, 2024

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

通过研究语音与心脏活动的声学相关性，本研究证明了自监督语音模型在预测心脏活动参数方面胜过传统声学特征，并强调了个体变异对模型的普适性的影响，这些发现突显了数据驱动模型在这类任务中的价值，并需要更多基于语音的生理数据来解决与说话者相关的挑战。

Jun, 2024

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

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

本研究提出一种基于多种体音构建的特征向量的新方法 FAIR4Cov，它利用自我关注融合单元将体音波形和频谱图的多重表示结合起来，以提高 COVID-19 检测性能，并实现了比单一表示模型更好的检测结果。

Apr, 2022