基于迁移学习的智能手机音频数据高效检测 COVID-19
机器学习
2023-07-07 v1 声音
音频与语音处理
摘要
从智能手机数据中进行疾病检测是移动健康 (m-health) 系统中的开放性研究挑战。COVID-19 及其呼吸道症状是该领域的重要案例，其早期检测是应对疫情态势的潜在实用手段。该方案的效能主要取决于应用于所收集数据的 AI 算法性能及其在用户移动设备上的可能部署。考虑到这些问题以及可用数据有限，本文我们呈现了 3 种不同深度学习模型（也与手工特征进行比较）以及所考虑场景下两种主要迁移学习方法的实验评估：特征提取与微调。具体而言，我们考虑了 VGGish、YAMNET 和 L\textsuperscript{3}-Net（含 12 种不同配置），通过在 4 个不同数据集（共 13,447 个样本）上的用户无关实验进行评估。结果清晰显示了 L\textsuperscript{3}-Net 在所有实验设置中的优势：作为特征提取器其精确率-召回率 AUC 超出其他方案 12.3%，而在模型微调时超出 10%。此外，我们注意到仅微调预训练模型的全连接层通常导致更差性能，相对于特征提取平均下降 6.6%。最后，我们评估了不同模型的内存占用，以考察其在商用移动设备上的可能应用。
引用
@article{arxiv.2307.02975,
title = {Transfer Learning for the Efficient Detection of COVID-19 from Smartphone Audio Data},
author = {Mattia Giovanni Campana and Franca Delmastro and Elena Pagani},
journal= {arXiv preprint arXiv:2307.02975},
year = {2023}
}