CovidDeep：基于可穿戴医疗传感器与高效神经网络的 SARS-CoV-2/COVID-19 检测
人机交互
2020-10-30 v3 神经与进化计算
摘要
新型冠状病毒（SARS-CoV-2）已引发大流行。当前基于逆转录聚合酶链反应（RT-PCR）的 SARS-CoV-2 检测难以满足检测需求，且在由此引发的 COVID-19 疾病早期阶段阳性检出率相对较低。因此，亟需一种替代方案用于对 SARS-CoV-2/COVID-19 进行重复的大规模检测。我们提出一个名为 CovidDeep 的框架，将高效深度神经网络（DNN）与市售可穿戴医疗传感器（WMS）相结合，以实现对该病毒的普适性检测。我们收集了来自 87 名个体的数据，涵盖健康、无症状与有症状患者三个队列。我们在从六类 WMS 与问卷中自动提取的特征的各种子集上训练 DNN，进行消融研究以确定哪些子集在三分类检测准确率方面最为有效。获得的最高检测准确率为 98.1%。我们还使用从同一概率分布抽取的的合成训练数据集扩充真实训练数据集，以对 DNN 权重施加先验，并利用生长-剪枝合成范式同时学习 DNN 架构与权重。这进一步提升了各类 DNN 的准确率，同时减小了其规模与浮点运算量。
引用
@article{arxiv.2007.10497,
title = {CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks},
author = {Shayan Hassantabar and Novati Stefano and Vishweshwar Ghanakota and Alessandra Ferrari and Gregory N. Nicola and Raffaele Bruno and Ignazio R. Marino and Kenza Hamidouche and Niraj K. Jha},
journal= {arXiv preprint arXiv:2007.10497},
year = {2020}
}
备注
11 pages, 3 figures