EIHW-MTG：第二届 DiCOVA 挑战赛系统报告
声音
2021-10-19 v1 音频与语音处理
定量方法
摘要
本工作提出了一种基于外积的方法，用于融合从咳嗽、呼吸和语音样本的频谱图中生成的嵌入表示，以实现 COVID-19 的自动检测。为了从频谱图中提取深度学习表示，我们比较了从头训练的 CNN 与针对当前任务微调的 ResNet18 架构的性能。此外，我们研究了患者的性别以及上下文注意力机制的使用是否有益。我们的实验使用了作为第二届利用声学诊断 COVID-19（DiCOVA）挑战赛一部分发布的数据集。结果表明，融合呼吸与语音信息适合用于检测 COVID-19。在使用带有上下文注意力机制的从头训练的 CNN 时，测试分区上获得了 84.06% 的曲线下面积（AUC）。当使用 ResNet18 架构进行特征提取时，基线模型取得了最高性能，AUC 为 84.26%。
引用
@article{arxiv.2110.09239,
title = {EIHW-MTG: Second DiCOVA Challenge System Report},
author = {Adria Mallol-Ragolta and Helena Cuesta and Emilia Gómez and Björn W. Schuller},
journal= {arXiv preprint arXiv:2110.09239},
year = {2021}
}