基于不确定性感知的不平衡声音数据 COVID-19 检测
声音
2021-06-22 v2 机器学习
音频与语音处理
摘要
近来，基于声音的新冠病毒（COVID-19）检测研究在可扩展、快速的数字预筛查方面展现出巨大前景。然而，仍有两个未解决的问题阻碍其实际应用。首先，用于模型训练的收集数据集往往是不平衡的，检测呈阳性的用户比例明显较小，使得学习具有代表性和鲁棒性的特征更加困难。其次，深度学习模型通常对其预测过度自信。在临床上，错误预测会加重医疗成本。对筛查不确定性的估计将有助于此。为处理这些问题，我们提出了一种集成框架，其中基于声音的新冠检测多个深度学习模型由原始数据中不同但平衡的子集开发而成。因此，与传统上采样和下采样方法相比，数据被更有效地利用：实现了 0.74 的 AUC、0.68 的灵敏度和 0.69 的特异度。同时，我们根据多个模型间的不一致来估计不确定性。结果表明，错误预测往往产生更高的不确定性，使我们能够建议确定性高于某一阈值的用户在其手机上重复音频测试，或在数字诊断仍失败时接受临床检测。本研究为更鲁棒的基于声音的新冠自动筛查系统铺平了道路。
引用
@article{arxiv.2104.02005,
title = {Uncertainty-Aware COVID-19 Detection from Imbalanced Sound Data},
author = {Tong Xia and Jing Han and Lorena Qendro and Ting Dang and Cecilia Mascolo},
journal= {arXiv preprint arXiv:2104.02005},
year = {2021}
}
备注
Accepted by INTERSPEECH 2021