基于临床经验验证样本与通用深度学习的咳嗽分析系统用于即时 Covid-19 检测及严重程度分级
声音
2021-11-12 v1 机器学习
音频与语音处理
摘要
我们旨在评估一种仅基于咳嗽声的快速 Covid-19 初筛工具的检出性能，数据来自 8,380 份临床经验验证样本，均经实验室分子检测（2,339 例 Covid-19 阳性，6,041 例 Covid-19 阴性）。样本根据结果及基于定量 RT-PCR（qRT-PCR）分析、循环阈值和患者淋巴细胞计数的严重程度进行临床标注。我们提出的通用方法是一种基于经验模态分解（EMD）的算法，随后基于音频特征张量与称为 'DeepCough' 的带卷积层的深度人工神经网络分类器进行分类。我们研究了基于张量维数不同的两个 DeepCough 版本，即 DeepCough2D 与 DeepCough3D。这些方法已部署于一个多平台概念验证 Web 应用 CoughDetect 中以匿名方式进行该检测。Covid-19 识别结果达到了颇具前景的 AUC（曲线下面积）98.80±0.83%、灵敏度 96.43±1.85%、特异度 96.20±1.74%，以及用于三级严重程度识别的 81.08%±5.05% AUC。我们提出的用于稳健、快速、即时识别 Covid-19 的 Web 工具及底层算法促进了感染的快速检测。我们相信其有潜力显著遏制全球 Covid-19 大流行。
引用
@article{arxiv.2111.05895,
title = {A Generic Deep Learning Based Cough Analysis System from Clinically Validated Samples for Point-of-Need Covid-19 Test and Severity Levels},
author = {Javier Andreu-Perez and Humberto Pérez-Espinosa and Eva Timonet and Mehrin Kiani and Manuel I. Girón-Pérez and Alma B. Benitez-Trinidad and Delaram Jarchi and Alejandro Rosales-Pérez and Nick Gatzoulis and Orion F. Reyes-Galaviz and Alejandro Torres-García and Carlos A. Reyes-García and Zulfiqar Ali and Francisco Rivas},
journal= {arXiv preprint arXiv:2111.05895},
year = {2021}
}