一种基于集成的多准则决策方法用于 COVID-19 咳嗽分类
机器学习
2021-10-04 v1 声音
音频与语音处理
摘要
本研究的目标是分析最先进的机器学习技术在从咳嗽声音分类 COVID-19 方面的性能，并识别在不同咳嗽数据集中持续表现良好的模型。不同的性能评估指标（如精确率、灵敏度、特异度、AUC、准确率等）使得选择最佳性能模型变得困难。为解决此问题，本文提出一种基于集成的多准则决策（MCDM）方法，用于选择用于 COVID-19 咳嗽分类的顶级性能机器学习技术。我们使用四个咳嗽数据集，即 Cambridge、Coswara、Virufy 和 NoCoCoDa 来验证所提出的方法。首先，我们提出的方法使用咳嗽样本的音频特征，然后应用机器学习（ML）技术将其分类为 COVID-19 或非 COVID-19。接着，我们考虑一种结合集成技术（即软集成和硬集成）的多准则决策（MCDM）方法来选择最佳模型。在 MCDM 中，我们使用逼近理想解排序法（TOPSIS）进行排序，而熵用于计算评估准则权重。此外，我们在不同估计器下通过带交叉验证的递归特征消除来应用特征约简过程。我们的实证评估结果表明，所提出的方法优于最先进的模型。
引用
@article{arxiv.2110.00508,
title = {An Ensemble-based Multi-Criteria Decision Making Method for COVID-19 Cough Classification},
author = {Nihad Karim Chowdhury and Muhammad Ashad Kabir and Md. Muhtadir Rahman},
journal= {arXiv preprint arXiv:2110.00508},
year = {2021}
}
备注
21 pages, 6 figures