基于深度神经决策树与森林的咳嗽声新冠检测：全面跨数据集评估
声音
2025-01-03 v1 人工智能
机器学习
音频与语音处理
摘要
本研究提出了一种从咳嗽声中进行新冠检测的稳健方法，利用前沿机器学习技术。通过深度神经决策树和深度神经决策森林，本方法在多样化的咳嗽声数据集上表现稳定。我们首先从数据中提取丰富的特征，以捕获来自新冠阳性和阴性个体的广泛音频特征。为确定最重要的特征，我们采用递归特征消除结合交叉验证。贝叶斯优化用于微调深度神经决策树和深度神经决策森林模型的超参数。此外，我们在训练过程中集成 SMOTE 以确保阳性和阴性数据之间的平衡表示。通过阈值优化，最大化 ROC-AUC 分数，以实现模型性能的优化。我们的 approach 在五个数据集上进行全面评估：Cambridge、Coswara、COUGHVID、Virufy 以及与 NoCoCoDa 数据集合并后的 Virufy 数据集。 consistently outperforming state-of-the-art methods, our proposed approach yields notable AUC scores of 0.97, 0.98, 0.92, 0.93, 0.99, and 0.99 across the respective datasets. 将所有数据集合并形成综合数据集后，我们的方法使用深度神经决策森林分类器 achieves an AUC of 0.97。此外，本研究包括全面的跨数据集分析，揭示了与新冠相关的咳嗽声在人口学和地理学方面的差异。这些差异凸显了在不同数据集之间迁移所学特征的挑战，进而强调了数据集集成潜在益处，提高了可解释性，增强了从音频信号中检测新冠的能力。
引用
@article{arxiv.2501.01117,
title = {Robust COVID-19 Detection from Cough Sounds using Deep Neural Decision Tree and Forest: A Comprehensive Cross-Datasets Evaluation},
author = {Rofiqul Islam and Nihad Karim Chowdhury and Muhammad Ashad Kabir},
journal= {arXiv preprint arXiv:2501.01117},
year = {2025}
}
备注
39 pages