基于深度学习的结核病与 COVID-19 咳嗽自动分类
摘要
我们提出了一种基于深度学习的自动咳嗽分类器，可区分结核病（TB）咳嗽、COVID-19 咳嗽与健康咳嗽。TB 和 COVID-19 均为呼吸道疾病、具有传染性、以咳嗽为主要症状且每年夺去数千人的生命。咳嗽音频录制于室内外环境，并由全球受试者使用智能手机上传，因此包含各种噪声水平。该咳嗽数据包含来自 47 名 TB 患者、229 名 COVID-19 患者和 1498 名健康患者的 1.68 小时 TB 咳嗽、18.54 分钟 COVID-19 咳嗽和 1.69 小时健康咳嗽，用于训练和评估 CNN、LSTM 和 Resnet50。这三种深度架构还通过在 2.14 小时喷嚏、2.91 小时语音和 2.79 小时噪声上预训练以提升性能。我们使用 SMOTE 数据平衡技术以及 F1-score 和 AUC 等性能指标来解决数据集中的类不平衡问题。我们的研究表明，预训练的 Resnet50 在两类（TB 对比 COVID-19）和三类（TB 对比 COVID-19 对比健康）咳嗽分类任务中分别取得了 0.9259 和 0.8631 的最高 F1-score。深度迁移学习的应用提升了分类器性能并使其更鲁棒，因为在交叉验证折上泛化更好。其性能超过了世界卫生组织（WHO）设定的 TB 分诊测试要求。产生最佳性能的特征包含更高阶的 MFCC，表明 TB 与 COVID-19 咳嗽之间的差异人耳无法感知。此类咳嗽音频分类为非接触式、经济高效且可轻松部署于智能手机，因此可作为 TB 和 COVID-19 筛查的优秀工具。
引用
@article{arxiv.2205.05480,
title = {Automatic Tuberculosis and COVID-19 cough classification using deep learning},
author = {Madhurananda Pahar and Marisa Klopper and Byron Reeve and Rob Warren and Grant Theron and Andreas Diacon and Thomas Niesler},
journal= {arXiv preprint arXiv:2205.05480},
year = {2022}
}
备注
This paper has been published in 2022 International Conference on Electrical, Computer and Energy Technologies (ICECET)