基于咳嗽声学信号的 COVID19 检测分类算法比较

这种称为新型冠状病毒(COVID19)的传染病于 2019 年 12 月首次发生在中国武汉。不久后世界卫生组织宣布 COVID19 为流行病。该疾病的一些症状为发热、咳嗽、呼吸短促和呼吸困难。在更严重的病例中，感染可能导致死亡。抗击大流行和控制流行病中最重要的问题是对 COVID19(+) 患者的早期诊断及对这些患者的随访。因此，使用了多种诊断机制。除 RT-PCR 检测外，医学影像方法尤其被用于检测 COVID19(+) 患者。在本研究中，利用咳嗽数据（COVID19(+) 患者最显著的症状之一）提出了一种替代方法。使用了 Virufy 网站上的咳嗽声学公开数据集。全部数据采用 z-normalization 技术进行归一化。比较了通过 5 层经验模态分解方法所获得特征的性能以及不同分类器的性能。作为分类器算法，使用了 5 种不同的算法。使用 Ensemble-Bagged-Trees 算法分别获得了最高的准确率 90.6% 和 F1-score 90.5%。另一方面，研究中使用的其他分类算法依次为 Support Vector Machines、Logistic Regression、Linear Discriminant Analysis 和 k-Nearest Neighbors。根据所得结果，选择正确的分类器算法可带来高性能。因此，显然使用咳嗽声学数据可以轻松有效地检测出 COVID19(+) 者。