論文の概要: A Generic Deep Learning Based Cough Analysis System from Clinically Validated Samples for Point-of-Need Covid-19 Test and Severity Levels

• arxiv url: http://arxiv.org/abs/2111.05895v1
• Date: Wed, 10 Nov 2021 19:39:26 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-12 15:31:51.691906
• Title: A Generic Deep Learning Based Cough Analysis System from Clinically Validated Samples for Point-of-Need Covid-19 Test and Severity Levels
• Title（参考訳）: 臨床検体からの総合的深層学習に基づくCough解析システム : ポイント・オブ・ニード・コビッド・テストと重症度
• Authors: Javier Andreu-Perez, Humberto P\'erez-Espinosa, Eva Timonet, Mehrin Kiani, Manuel I. Gir\'on-P\'erez, Alma B. Benitez-Trinidad, Delaram Jarchi, Alejandro Rosales-P\'erez, Nick Gatzoulis, Orion F. Reyes-Galaviz, Alejandro Torres-Garc\'ia, Carlos A. Reyes-Garc\'ia, Zulfiqar Ali, Francisco Rivas
• Abstract要約: 臨床検体8,380名を対象に,Covid-19の迅速一次スクリーニングツールの検出性能について検討した。 提案手法は,経験的モード分解(EMD)に基づくアルゴリズムであり,その後に音声特徴量に基づく分類を行う。 DeepCoughの2つの異なるバージョン、すなわちDeepCough2DとDeepCough3Dのテンソル次元について検討した。
• 参考スコア（独自算出の注目度）: 85.41238731489939
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We seek to evaluate the detection performance of a rapid primary screening tool of Covid-19 solely based on the cough sound from 8,380 clinically validated samples with laboratory molecular-test (2,339 Covid-19 positives and 6,041 Covid-19 negatives). Samples were clinically labeled according to the results and severity based on quantitative RT-PCR (qRT-PCR) analysis, cycle threshold, and lymphocytes count from the patients. Our proposed generic method is an algorithm based on Empirical Mode Decomposition (EMD) with subsequent classification based on a tensor of audio features and a deep artificial neural network classifier with convolutional layers called DeepCough'. Two different versions of DeepCough based on the number of tensor dimensions, i.e. DeepCough2D and DeepCough3D, have been investigated. These methods have been deployed in a multi-platform proof-of-concept Web App CoughDetect to administer this test anonymously. Covid-19 recognition results rates achieved a promising AUC (Area Under Curve) of 98.800.83%, sensitivity of 96.431.85%, and specificity of 96.201.74%, and 81.08%5.05% AUC for the recognition of three severity levels. Our proposed web tool and underpinning algorithm for the robust, fast, point-of-need identification of Covid-19 facilitates the rapid detection of the infection. We believe that it has the potential to significantly hamper the Covid-19 pandemic across the world.
• Abstract（参考訳）: 実験室分子検査8,380例(Covid-19陽性2,339例,Covid-19陰性6,041例)の臨床検査結果に基づいて,Covid-19の迅速スクリーニングツールの検出性能を評価する。 臨床検査では, 定量的RT-PCR(qRT-PCR)分析, サイクルしきい値, リンパ球数に基づいて臨床検査を行った。 提案手法は経験的モード分解(emd)に基づくアルゴリズムであり,それに続く音響特徴のテンソルに基づく分類と,deepcoughと呼ばれる畳み込み層を持つディープニューラルネットワーク分類器である。 DeepCoughの2つの異なるバージョン、すなわちDeepCough2DとDeepCough3Dのテンソル次元について検討した。 これらのメソッドは、匿名でこのテストを管理するために、マルチプラットフォームのWeb App CoughDetectにデプロイされている。 新型コロナウイルスの認識率は98.800.83%で、感度96.431.85%、特異性96.201.74%、重症度3つに81.08%5.05%であった。 新型ウイルスのロバストで高速かつポイント・オブ・ニーズな識別のためのwebツールと基盤アルゴリズムを提案することで,感染の迅速検出が容易になる。 われわれは、世界中の新型コロナウイルスのパンデミックを著しく阻害する可能性があると考えている。

関連論文リスト

• CIRCA: comprehensible online system in support of chest X-rays-based COVID-19 diagnosis [37.41181188499616]
  深層学習技術は、新型コロナウイルスの迅速検出と疾患の進行のモニタリングに役立つ。 5つの異なるデータセットを使用して、モデルトレーニングのための23の799 CXRの代表的なデータセットを構築した。 The U-Net-based model was developed to identified a clinically relevant region of the CXR。
  論文  参考訳（メタデータ） (2022-10-11T13:30:34Z)
• 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)
• A novel multiple instance learning framework for COVID-19 severity assessment via data augmentation and self-supervised learning [64.90342559393275]
  新型コロナウイルスの重症度を迅速かつ正確に評価する方法は、世界中の何百万人もの人々がパンデミックに苦しんでいる場合に必要不可欠な問題だ。 CT画像による新型コロナウイルスの重症度自動評価を妨害する可能性のある、弱いアノテーションと不十分なデータという2つの問題があることを観察する。 平均精度は95.8%で、感度は93.6%、特異性は96.4%で、前作より優れていた。
  論文  参考訳（メタデータ） (2021-02-07T16:30:18Z)
• 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)
• Automated Detection of COVID-19 from CT Scans Using Convolutional Neural Networks [0.0]
  COVID-19はSARS-CoV 2003と同様の呼吸器障害を引き起こす感染症である。 U-Netアーキテクチャを用いて2次元セグメンテーションモデルを構築し,感染領域をマークアウトして出力する。
  論文  参考訳（メタデータ） (2020-06-23T06:50:41Z)
• COVIDLite: A depth-wise separable deep neural network with white balance and CLAHE for detection of COVID-19 [1.1139113832077312]
  COVIDLiteは、CLAHE(Contrast Limited Adaptive Histogram Equalization)とDSCNN(Deep-wise Separable Convolutional Neural Network)を組み合わせたホワイトバランスである。 提案したCOVIDLite法は,前処理のないバニラDSCNNと比較して性能が向上した。 提案手法は,2進分類では99.58%,多進分類では96.43%,最先端手法では96.43%であった。
  論文  参考訳（メタデータ） (2020-06-19T02:30:34Z)
• JCS: An Explainable COVID-19 Diagnosis System by Joint Classification and Segmentation [95.57532063232198]
  新型コロナウイルス感染症2019(COVID-19)は、200カ国以上でパンデミックの流行を引き起こしている。 感染を制御するためには、感染した人々を識別し、分離することが最も重要なステップである。 本稿では,新型コロナウイルスの胸部CT診断をリアルタイムかつ説明可能な,新しい関節分類システム(JCS)を開発した。
  論文  参考訳（メタデータ） (2020-04-15T12:30:40Z)
• CoroNet: A deep neural network for detection and diagnosis of COVID-19 from chest x-ray images [0.0]
  CoroNetは、胸部X線画像からCOVID-19感染を自動的に検出するDeep Conceptional Neural Networkモデルである。 提案したモデルは全体の89.6%の精度を達成し、新型コロナウイルス患者の精度とリコール率は93%と98.2%である。
  論文  参考訳（メタデータ） (2020-04-10T07:46:07Z)

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。