利用深度神经网络从呼吸与咳嗽声音中检测 COVID-19
声音
2021-01-01 v1 机器学习
音频与语音处理
摘要
COVID-19 大流行对世界造成了不均衡的影响；工业经济体已能够生产必要的检测试剂以追踪病毒传播，并基本避免了全面封锁，而发展中国家则面临检测能力方面的问题。在本文中，我们探索使用深度学习模型作为一种普适、低成本、测试前的方法，通过移动设备或网络采集的呼吸或咳嗽音频录音来检测 COVID-19。我们改编了一组利用原始呼吸与咳嗽音频及频谱图来分类说话者是否感染 COVID-19 的卷积神经网络（Convolutional Neural Networks）集成模型。这些不同的模型通过结合 HyperBand 的贝叶斯优化（Bayesian Optimisation）自动超参数调优获得。所提出的方法大幅优于传统基线方法。最终，在严格受试者无关的方式下，综合考虑呼吸与咳嗽中最佳测试集结果，通过神经网络集成实现了 74.9% 的未加权平均召回率（Unweighted Average Recall, UAR），或 80.7% 的 ROC 曲线下面积（Area Under ROC Curve, AUC）。单独来看，呼吸声音似乎比咳嗽声音更适用（UAR 为 76.1% 对比 73.7%）。
引用
@article{arxiv.2012.14553,
title = {Detecting COVID-19 from Breathing and Coughing Sounds using Deep Neural Networks},
author = {Björn W. Schuller and Harry Coppock and Alexander Gaskell},
journal= {arXiv preprint arXiv:2012.14553},
year = {2021}
}
备注
6 pages