红外热图学发热检测：通过机器学习技术提升准确性
机器学习
2024-08-13 v2
摘要
新冠肺炎疫情凸显了全球卫生系统中先进诊断工具的必要性。红外热图学 (IRT) 已被证明是测量体温、对于识别与新冠肺炎等传染病相关的发热性疾病的必要方法。传统的非接触红外测温仪 (NCIT) 在读数上常常存在显著的变异性。为解决这一问题，我们将机器学习算法与 IRT 集成，以提高温度测量的准确性和可靠性。我们的研究系统地评估了各种回归模型，采用启发式特征工程技术，关注特征的生理学相关性和统计显著性。卷积神经网络 (CNN) 模型，利用这些技术，实现了 RMSE 为 0.2223 的最低值，显示出优于文献中先前结果的优越性能。在非神经网络模型中，Binning 方法取得了 RMSE 为 0.2296 的最佳性能。我们的发现凸显了将先进特征工程与机器学习结合以提高诊断工具有效性的潜力，对其他非接触或远程生物医学应用亦具意义。本文提供了这些方法的全面分析，为该领域的非侵入式医学诊断的未来研究奠定了基础。
引用
@article{arxiv.2407.15302,
title = {Fever Detection with Infrared Thermography: Enhancing Accuracy through Machine Learning Techniques},
author = {Parsa Razmara and Tina Khezresmaeilzadeh and B. Keith Jenkins},
journal= {arXiv preprint arXiv:2407.15302},
year = {2024}
}