論文の概要: Uncertainty-Aware COVID-19 Detection from Imbalanced Sound Data
- arxiv url: http://arxiv.org/abs/2104.02005v1
- Date: Mon, 5 Apr 2021 16:54:03 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-06 14:13:42.086065
- Title: Uncertainty-Aware COVID-19 Detection from Imbalanced Sound Data
- Title（参考訳）: 不均衡音データからの不確かさを意識したCOVID-19検出
- Authors: Tong Xia, Jing Han, Lorena Qendro, Ting Dang, Cecilia Mascolo
- Abstract要約: 音声ベースのCOVID-19検出のための複数のディープラーニングモデルを開発するアンサンブルフレームワークを提案する。
誤った予測はしばしば高い不確実性をもたらすことが示されている。
この研究は、より堅牢なサウンドベースのcovid-19自動スクリーニングシステムへの道を開くものだ。
- 参考スコア（独自算出の注目度）: 15.833328435820622
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Recently, sound-based COVID-19 detection studies have shown great promise to
achieve scalable and prompt digital pre-screening. However, there are still two
unsolved issues hindering the practice. First, collected datasets for model
training are often imbalanced, with a considerably smaller proportion of users
tested positive, making it harder to learn representative and robust features.
Second, deep learning models are generally overconfident in their predictions.
Clinically, false predictions aggravate healthcare costs. Estimation of the
uncertainty of screening would aid this. To handle these issues, we propose an
ensemble framework where multiple deep learning models for sound-based COVID-19
detection are developed from different but balanced subsets from original data.
As such, data are utilized more effectively compared to traditional up-sampling
and down-sampling approaches: an AUC of 0.74 with a sensitivity of 0.68 and a
specificity of 0.69 is achieved. Simultaneously, we estimate uncertainty from
the disagreement across multiple models. It is shown that false predictions
often yield higher uncertainty, enabling us to suggest the users with certainty
higher than a threshold to repeat the audio test on their phones or to take
clinical tests if digital diagnosis still fails. This study paves the way for a
more robust sound-based COVID-19 automated screening system.
- Abstract（参考訳）: 近年、サウンドベースの新型コロナウイルス検出研究は、スケーラブルで迅速なデジタルプレスクリーニングを実現するための大きな約束を示している。
しかし、まだこの実践を妨げる未解決の問題は2つある。
まず、モデルトレーニングのための収集データセットは、しばしば不均衡であり、かなりの割合のユーザが肯定的にテストし、代表的で堅牢な機能を学ぶのが難しくなる。
第二に、ディープラーニングモデルは一般的に予測において過信される。
臨床的に、誤った予測は医療費を悪化させる。
スクリーニングの不確実性の推定は、これに役立つだろう。
これらの問題に対処するために,音に基づくCOVID-19検出のための複数のディープラーニングモデルを開発するアンサンブルフレームワークを提案する。
これにより、従来のアップサンプリングやダウンサンプリングに比べて、感度が 0.68 の auc と 0.69 の特異性を持つ 0.74 のデータを効果的に利用することができる。
同時に,複数のモデル間の不一致から不確実性を推定する。
偽の予測は、しばしば高い不確実性をもたらすことが示され、携帯電話での音声検査を繰り返したり、デジタル診断が失敗した場合に臨床検査を受けるための閾値以上をユーザに提案できる。
この研究は、より堅牢なサウンドベースのcovid-19自動スクリーニングシステムへの道を開くものだ。
関連論文リスト
- Conservative Prediction via Data-Driven Confidence Minimization [70.93946578046003]
機械学習の安全性クリティカルな応用においては、モデルが保守的であることが望ましいことが多い。
本研究では,不確実性データセットに対する信頼性を最小化するデータ駆動信頼性最小化フレームワークを提案する。
論文 参考訳（メタデータ） (2023-06-08T07:05:36Z) - 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) - Learning Clinical Concepts for Predicting Risk of Progression to Severe
COVID-19 [17.781861866125023]
大手医療機関のデータを用いて、重度の新型コロナウイルスの進行を予測する生存モデルを開発する。
i) 利用可能なすべての特徴から構築された制約のないモデル,(ii) リスク予測器を訓練する前に少数の臨床概念を学習するパイプラインである。
論文 参考訳（メタデータ） (2022-08-28T02:59:35Z) - Sounds of COVID-19: exploring realistic performance of audio-based
digital testing [17.59710651224251]
本稿では、COVID-19の音声によるデジタル検査の現実的な性能について検討する。
われわれは、大規模なクラウドソースによる呼吸器オーディオデータセットをモバイルアプリを通じて収集した。
非バイアスモデルでは、呼吸、うずみ、音声信号から抽出した特徴を予測器として取り出し、AUC-ROCは0.71(95% CI: 0.65$-$0.77)となる。
論文 参考訳（メタデータ） (2021-06-29T15:50:36Z) - Continual Learning for Fake Audio Detection [62.54860236190694]
本論文では,連続学習に基づく手法である忘れずに偽物を検出することで,モデルに新たなスプーフィング攻撃をインクリメンタルに学習させる手法を提案する。
ASVspoof 2019データセットで実験が行われる。
論文 参考訳（メタデータ） (2021-04-15T07:57:05Z) - Audio feature ranking for sound-based COVID-19 patient detection [1.7188280334580195]
COVID-19は、低コストで非侵襲的でアクセス可能なオーディオ分類方法として登場しました。
重要な医療設定の厳格な信頼性と精度要件のため、公式使用の申請は承認されていません。
我々は、あまり知られていないものを含む15のオーディオ機能の調査とランキングを行った。
結果は2つの独立したCOVID-19サウンドデータセットで検証された。
論文 参考訳（メタデータ） (2021-04-14T21:06:20Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳（メタデータ） (2021-04-07T06:02:04Z) - Virufy: A Multi-Branch Deep Learning Network for Automated Detection of
COVID-19 [1.9899603776429056]
研究者は、臨床設定で記録された音声サンプルを使用して新型コロナウイルス感染状態を検出するモデルを提示しました。
そこで本研究では,クラウドソースデータを用いて,手作業によるデータ処理やクリーン化を行わないマルチブランチ深層学習ネットワークを提案する。
論文 参考訳（メタデータ） (2021-03-02T15:31:09Z) - End-2-End COVID-19 Detection from Breath & Cough Audio [68.41471917650571]
クラウドソースのオーディオサンプルからエンドツーエンドのディープラーニングを使用してCOVID-19を診断する最初の試みを実証します。
本研究では, 人工深層ニューラルネットワークを用いて, 人工呼吸器から新型コロナを診断する新しいモデル戦略を提案する。
論文 参考訳（メタデータ） (2021-01-07T01:13:00Z) - 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)
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。