Aug, 2024

基于咳嗽声音和视觉变换器的可靠呼吸疾病诊断研究

HTML
PDF
TL;DR本研究解决了咳嗽声音数据在呼吸疾病诊断中的应用不足，特别是在数据量小且标注困难的背景下。我们提出了一种新颖的方法，结合自监督和监督学习，在大规模咳嗽数据集上进行呼吸疾病分类。实验结果表明，该方法在新冠病毒诊断和慢性阻塞性肺疾病分类上均优于现有技术，获得92.5%的AUROC。
发现论文，激发创造
  • DeepCough: 一种可穿戴的咳嗽检测系统中的深度卷积神经网络

    本文介绍了一种利用可穿戴的声学传感器和深度卷积神经网络进行咳嗽检测的系统，并对其性能进行了评估，实验结果显示我们的系统实现了95.1%的分类敏感度和99.5%的特异性。

    Sep, 2015

  • 使用深度神经网络从呼吸和咳嗽声音中检测COVID-19

    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

  • 探索自监督表示集合用于COVID-19咳嗽分类

    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

  • 一个半监督算法，用于提高众包数据集的一致性：以COVID-19呼吸系统疾病分类为例的研究

    本研究使用半监督学习方法改善COUGHVID数据集标注不一致和COVID-19咳嗽声音分类的鲁棒性，同时展示了新数据集的高度一致性和可解释性，该方法可用于改善任何诊断分类任务的数据库一致性。

    Sep, 2022

  • 基于视觉变换器和可解释人工智能的CoVid-19检测

    通过视觉转换器技术的端到端框架，提出了一种用于肺部疾病诊断的方法，其中涵盖了数据增强、模型训练和评估等步骤。在 Covid 19 放射学数据库等数据集上测试和评估了一种专门的紧凑型卷积转换器模型，该模型在训练和验证阶段均取得了更好的准确性。

    Jul, 2023

  • 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

  • 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

    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

  • 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

  • 利用卷积神经网络和变分自编码器检测呼吸系统疾病的方法

    通过呼吸音检测病理学，使用 ICBHI 基准数据集，利用变分卷积自编码器和卷积神经网络实现对呼吸音进行分类以及区分不同类型的病理学或健康状态，取得了高达0.993 F-Score的分类结果。

    Feb, 2024

  • 基于咳嗽声音和视觉变换器的可靠呼吸疾病诊断

    本研究针对现有基于咳嗽声音的呼吸疾病诊断方法存在的数据规模限制和模型性能不足的问题，提出了一种统一框架，对多种深度学习模型进行评估。通过自监督和监督学习结合的大规模咳嗽数据集分类方法，实验结果显示该方法在COVID-19和慢性阻塞性肺疾病的分类任务中超越了以往研究，其AUROC达到了92.5%。

    Aug, 2024