論文の概要: COVID-19 Cough Classification using Machine Learning and Global Smartphone Recordings

• arxiv url: http://arxiv.org/abs/2012.01926v1
• Date: Wed, 2 Dec 2020 13:35:42 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-30 11:30:56.801401
• Title: COVID-19 Cough Classification using Machine Learning and Global Smartphone Recordings
• Title（参考訳）: 機械学習とグローバルなスマートフォン記録を用いたcovid-19の干ばつ分類
• Authors: Madhurananda Pahar, Marisa Klopper, Robin Warren and Thomas Niesler
• Abstract要約: 本稿では、スマートフォン上で記録された新型コロナウイルス陰性および健康性の両方から、新型コロナウイルス陽性を識別できる機械学習ベースのコークス分類器を提案する。 この種のスクリーニングは非接触で容易に適用でき、テストセンターでの負荷軽減や送信制限に役立つ。
• 参考スコア（独自算出の注目度）: 6.441511459132334
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a machine learning based COVID-19 cough classifier which is able to discriminate COVID-19 positive coughs from both COVID-19 negative and healthy coughs recorded on a smartphone. This type of screening is non-contact and easily applied, and could help reduce workload in testing centers as well as limit transmission by recommending early self-isolation to those who have a cough suggestive of COVID-19. The two dataset used in this study include subjects from all six continents and contain both forced and natural coughs. The publicly available Coswara dataset contains 92 COVID-19 positive and 1079 healthy subjects, while the second smaller dataset was collected mostly in South Africa and contains 8 COVID-19 positive and 13 COVID-19 negative subjects who have undergone a SARS-CoV laboratory test. Dataset skew was addressed by applying synthetic minority oversampling (SMOTE) and leave-p-out cross validation was used to train and evaluate classifiers. Logistic regression (LR), support vector machines (SVM), multilayer perceptrons (MLP), convolutional neural networks (CNN), long-short term memory (LSTM) and a residual-based neural network architecture (Resnet50) were considered as classifiers. Our results show that the Resnet50 classifier was best able to discriminate between the COVID-19 positive and the healthy coughs with an area under the ROC curve (AUC) of 0.98 while a LSTM classifier was best able to discriminate between the COVID-19 positive and COVID-19 negative coughs with an AUC of 0.94. The LSTM classifier achieved these results using 13 features selected by sequential forward search (SFS). Since it can be implemented on a smartphone, cough audio classification is cost-effective and easy to apply and deploy, and therefore is potentially a useful and viable means of non-contact COVID-19 screening.
• Abstract（参考訳）: スマートフォンで記録されたcovid-19陰性と健康的なcooughの両方からcovid-19陽性のcooughを識別できる機械学習ベースのcovid-19 cough分類器を提案する。 この種のスクリーニングは非接触で簡単に適用でき、検査センターでの作業負荷を減らすだけでなく、covid-19を示唆する干ばつを持つ人々に早期の自己隔離を推奨することで、送信を制限するのに役立つ。 この研究で使用される2つのデータセットは、全6大陸の被験者を対象とし、強制的および自然的ともに含んでいる。 coswaraデータセットには92人の新型コロナウイルス陽性者、1079人の健常者が含まれているが、第2の小さなデータセットは南アフリカで収集され、sars-cov検査を受けた8人のcovid-19陽性者と13人の陰性者が含まれている。 合成マイノリティ・オーバーサンプリング(SMOTE)を適用してデータセットスキューに対処し,分類器の訓練と評価にLeft-p-out Cross Validationを用いた。 ロジスティック回帰(LR)、サポートベクターマシン(SVM)、多層パーセプトロン(MLP)、畳み込みニューラルネットワーク(CNN)、長期記憶(LSTM)、残基ニューラルネットワークアーキテクチャ(Resnet50)を分類器として検討した。 以上の結果から, resnet50分類器は, roc曲線 (auc) 下の地域が0.98, lstm分類器が0.94のaucでcovid-19陽性とcovid-19陰性の区別が最良であった。 LSTM分類器はシーケンシャルフォワードサーチ(SFS)で選択した13の特徴を用いて,これらの結果を得た。 スマートフォンで実装できるため、音の分類はコスト効率が高く、適用や展開が容易であり、非接触型新型コロナウイルススクリーニングの有用な手段になりうる。

関連論文リスト

• COVID-Net Assistant: A Deep Learning-Driven Virtual Assistant for COVID-19 Symptom Prediction and Recommendation [75.74756992992147]
  新型コロナウイルスの症状予測とレコメンデーションを提供するために設計された,効率的な仮想アシスタントであるCOVID-Net Assistantの設計を紹介する。 マシン駆動設計探索を通じて生成された、高度にカスタマイズされた軽量な畳み込みニューラルネットワークアーキテクチャについて検討する。 実験結果から,強力な予測性能を示す COVID-Net Assistant ニューラルネットワークが期待できる結果を得た。
  論文  参考訳（メタデータ） (2022-11-22T01:41:48Z)
• Developing a multi-variate prediction model for the detection of COVID-19 from Crowd-sourced Respiratory Voice Data [0.0]
  この研究の新規性は、音声記録から新型コロナウイルス患者を識別するためのディープラーニングモデルの開発である。 私たちは、新型コロナウイルスのサウンドアプリを使った4352人の参加者からクラウドソースされた、853のオーディオサンプルからなるケンブリッジ大学のデータセットを使用しました。 音声データに基づいて,陽性症例を検出する深層学習分類モデルを開発した。
  論文  参考訳（メタデータ） (2022-09-08T11:46:37Z)
• The Report on China-Spain Joint Clinical Testing for Rapid COVID-19 Risk Screening by Eye-region Manifestations [59.48245489413308]
  携帯電話カメラで中国とスペインで撮影された視線領域の画像を用いて、新型コロナウイルスの早期スクリーニングモデルを開発し、テストした。 AUC, 感度, 特異性, 精度, F1。
  論文  参考訳（メタデータ） (2021-09-18T02:28:01Z)
• Automatic Cough Classification for Tuberculosis Screening in a Real-World Environment [5.6663315405998365]
  結核(tb)患者と他の肺疾患患者が発する発声音とを自動的に判別することが可能であることを示す第1報を報告する。 本実験は, TB患者16名, 呼吸器疾患患者33名, TB以外の患者33名を対象に, 実世界の診療所で得られたコークス記録のデータセットに基づいて行った。 以上の結果から, 音素の自動分類は, TBの低コストで展開可能なフロントラインスクリーニングの手段として有望であり, 開発途上国のTB負荷に大きく貢献すると考えられる。
  論文  参考訳（メタデータ） (2021-03-23T15:03:52Z)
• Detecting COVID-19 from Breathing and Coughing Sounds using Deep Neural Networks [68.8204255655161]
  私たちは、Convolutional Neural Networksのアンサンブルを適応させて、スピーカーがCOVID-19に感染しているかどうかを分類します。 最終的には、74.9%のUnweighted Average Recall(UAR)、またはニューラルネットワークをアンサンブルすることで、ROC曲線(AUC)の80.7%を達成する。
  論文  参考訳（メタデータ） (2020-12-29T01:14:17Z)
• CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
  新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。 我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-20T21:47:28Z)
• Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning [57.00601760750389]
  前頭部胸部X線画像の重症度予測モデルを提案する。 このようなツールは、エスカレーションやケアの非エスカレーションに使用できる新型コロナウイルスの肺感染症の重症度を測定することができる。
  論文  参考訳（メタデータ） (2020-05-24T23:13:16Z)
• Triaging moderate COVID-19 and other viral pneumonias from routine blood tests [15.922012597844699]
  新型コロナウイルスの検査は、既存の方法の可用性とコストによって大幅に制限されている。 機械学習の力を利用して、新型コロナウイルスの検査に活用することを提案する。 この課題に対処するために、実証された2つの機械学習モデルファミリー、ランダムフォレスト(RF)、サポートベクターマシン(SVM)が採用されている。
  論文  参考訳（メタデータ） (2020-05-13T19:24:07Z)
• Adaptive Feature Selection Guided Deep Forest for COVID-19 Classification with Chest CT [49.09507792800059]
  胸部CT画像に基づくCOVID-19分類のための適応的特徴選択ガイド付き深層林(AFS-DF)を提案する。 AFS-DF on COVID-19 data with 1495 patients of COVID-19 and 1027 patients of community acquired pneumonia (CAP)。
  論文  参考訳（メタデータ） (2020-05-07T06:00:02Z)
• Automatic Detection of Coronavirus Disease (COVID-19) in X-ray and CT Images: A Machine Learning-Based Approach [2.488407849738164]
  新型コロナウイルスは感染性が高く、臨床的に承認された抗ウイルス薬やワクチンが使用できない病原体である。 現在、カナダでは新型コロナウイルスの初診は推奨されていない。 本研究では,新型コロナウイルスの自動分類のためのディープラーニングに基づく特徴抽出フレームワークの比較を行った。
  論文  参考訳（メタデータ） (2020-04-22T15:34:45Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。