一种面向时序的广播残差网络用于 COVID-19 检测
声音
2022-04-01 v1 机器学习
音频与语音处理
摘要
从呼吸、咳嗽等音频信号中检测 COVID-19 可用作快速高效的预检测方法以减少病毒传播。鉴于深度学习网络在时序建模中的良好表现，且野外快速识别 COVID 的应用应要求低计算开销，我们提出一种面向时序的广播残差学习方法，以小规模模型实现高效计算与高精度。基于 EfficientNet 架构，我们的新颖网络名为面向时序残差网络~(TorNet)，其由广播学习块即交替广播(AB)块构成，包含若干广播残差块(BC ResBlocks)与一层卷积。借助 AB 块，网络以远少于通常用于建模时序信息的循环神经网络~(RNNs) 的计算量，有效获取有用的音频时序特征与更高层嵌入。TorNet 在 INTERSPEECH 2021 计算副语言学挑战赛 COVID-19 咳嗽子挑战上取得 72.2% 非加权平均召回率(UAR)，由此展现出与其他最先进替代方案相比具竞争力的结果且计算效率更高。
引用
@article{arxiv.2203.17012,
title = {A Temporal-oriented Broadcast ResNet for COVID-19 Detection},
author = {Xin Jing and Shuo Liu and Emilia Parada-Cabaleiro and Andreas Triantafyllopoulos and Meishu Song and Zijiang Yang and Björn W. Schuller},
journal= {arXiv preprint arXiv:2203.17012},
year = {2022}
}
备注
5 pages,submitted to Intesspeech 2022