COVID-19的声音：探索基于音频的数字检测的真实性能
声音
2021-06-30 v1 机器学习
音频与语音处理
摘要
研究者一直在应对如何高效、经济且规模化地识别冠状病毒病（COVID-19）病例的问题。近期工作表明，收集呼吸音音频数据（咳嗽、呼吸和语音）的基于音频的方法可用于检测，但缺乏关于偏倚与方法学决策如何影响这些工具实际性能的研究。本文探讨基于音频的COVID-19数字检测的真实性能。为此，我们通过移动应用收集了大型众包呼吸音数据集，并以近期的COVID-19检测结果和症状作为真值。在收集的数据集中，我们选取来自2,478名参与者的5,240个样本，并将其划分为不同的参与者无关集合用于模型开发与验证。其中我们控制了潜在混杂因素（如人口统计与语言）。无偏模型以从呼吸、咳嗽和语音信号提取的特征作为预测变量，得出AUC-ROC为0.71（95% CI：0.650.77）。我们进一步探索不同不平衡分布，以展示偏倚与参与者划分如何影响性能。最后，我们讨论所呈现的真实模型如何整合入临床实践，以实现人群尺度上连续、泛在、可持续且经济的检测。
引用
@article{arxiv.2106.15523,
title = {Sounds of COVID-19: exploring realistic performance of audio-based digital testing},
author = {Jing Han and Tong Xia and Dimitris Spathis and Erika Bondareva and Chloë Brown and Jagmohan Chauhan and Ting Dang and Andreas Grammenos and Apinan Hasthanasombat and Andres Floto and Pietro Cicuta and Cecilia Mascolo},
journal= {arXiv preprint arXiv:2106.15523},
year = {2021}
}