基于序列深度学习探索纵向咳嗽、呼吸与语音数据预测COVID-19进展：模型开发与验证
声音
2022-06-23 v2 机器学习
音频与语音处理
摘要
近期研究表明利用音频数据(如咳嗽、呼吸与语音)筛查COVID-19的潜力。然而，这些方法仅关注一次性检测，即给定当前音频样本检测感染，而未监测COVID-19的疾病进展。通过纵向音频数据持续监测COVID-19进展(尤其是康复)的探索十分有限。追踪疾病进展特征有助于更及时的治疗。本研究的主要目标是探索随时间变化的纵向音频样本在COVID-19进展预测(尤其是康复趋势预测)中的潜力，使用序列深度学习技术。分析了来自212名个体、跨度5至385天的众包呼吸音频数据，包括呼吸、咳嗽与语音样本。我们开发了基于门控循环单元(GRUs)的深度学习追踪工具，通过探索个体历史音频生物标志物的音频动态来检测COVID-19进展。研究包含两部分：(1)基于阳性与阴性(健康)检测的COVID-19识别；(2)基于阳性检测概率的纵向疾病进展随时间预测。COVID-19识别性能强劲，AUROC达0.79、灵敏度0.75、特异度0.71，相较于不利用纵向动态的方法支持了本方法的有效性。我们进一步考察了预测的疾病进展轨迹，其与检测结果高度一致，在测试队列中相关性为0.75，在报告康复的测试队列子集中为0.86。我们的发现表明，通过纵向音频数据监测COVID-19演变在追踪个体疾病进展与康复方面具有潜力。
引用
@article{arxiv.2201.01232,
title = {Exploring Longitudinal Cough, Breath, and Voice Data for COVID-19 Progression Prediction via Sequential Deep Learning: Model Development and Validation},
author = {Ting Dang and Jing Han and Tong Xia and Dimitris Spathis and Erika Bondareva and Chloë Siegele-Brown and Jagmohan Chauhan and Andreas Grammenos and Apinan Hasthanasombat and Andres Floto and Pietro Cicuta and Cecilia Mascolo},
journal= {arXiv preprint arXiv:2201.01232},
year = {2022}
}
备注
Updated title. Revised format according to journal requirements