論文の概要: On the pragmatism of using binary classifiers over data intensive neural network classifiers for detection of COVID-19 from voice

• arxiv url: http://arxiv.org/abs/2204.04802v1
• Date: Mon, 11 Apr 2022 00:19:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-12 19:01:30.300605
• Title: On the pragmatism of using binary classifiers over data intensive neural network classifiers for detection of COVID-19 from voice
• Title（参考訳）: データ集約型ニューラルネットワーク分類器を用いた音声からのCOVID-19検出の実用性について
• Authors: Ankit Shah, Hira Dhamyal, Yang Gao, Rita Singh, Bhiksha Raj
• Abstract要約: 音声からCOVID-19を検出するには、カスタムメイドの非標準機能や複雑なニューラルネットワーク分類器を必要としない。 臨床現場で収集・校正された人為的なデータセットからこれを実証する。
• 参考スコア（独自算出の注目度）: 34.553128768223615
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Lately, there has been a global effort by multiple research groups to detect COVID-19 from voice. Different researchers use different kinds of information from the voice signal to achieve this. Various types of phonated sounds and the sound of cough and breath have all been used with varying degrees of success in automated voice-based COVID-19 detection apps. In this paper, we show that detecting COVID-19 from voice does not require custom-made non-standard features or complicated neural network classifiers rather it can be successfully done with just standard features and simple binary classifiers. In fact, we show that the latter is not only more accurate and interpretable and also more computationally efficient in that they can be run locally on small devices. We demonstrate this from a human-curated dataset collected and calibrated in clinical settings. On this dataset which comprises over 1000 speakers, a simple binary classifier is able to achieve 94% detection accuracy.
• Abstract（参考訳）: 最近、複数の研究グループが新型コロナウイルスを音声から検出するための世界的な取り組みが行われている。 異なる研究者が音声信号から異なる種類の情報を使ってこれを実現する。 さまざまな種類の発声音と声と息の音が、自動音声ベースのCOVID-19検出アプリで様々な成功を収めている。 本稿では,音声からCOVID-19を検出するには,従来の非標準機能や複雑なニューラルネットワーク分類器を必要とせず,単なる標準機能と単純なバイナリ分類器で実現可能であることを示す。 実際、後者はより正確で解釈可能なだけでなく、小さなデバイス上でローカルに実行できるという点で計算効率も高いことが示されています。 臨床環境で収集・校正された人間によるデータセットからこれを実証する。 1000以上の話者からなるこのデータセットでは、単純なバイナリ分類器が94%の検出精度を達成できる。

関連論文リスト

• Developing a Multi-variate Prediction Model For COVID-19 From Crowd-sourced Respiratory Voice Data [0.0]
  音声記録データから新型コロナウイルスを識別する深層学習モデルを開発した。 私たちはCambridge COVID-19 Soundデータベースを使用し、4352人の参加者からクラウドソースされた893の音声サンプルを、COVID-19 Soundsアプリを通じて公開しています。 音声データに基づいて、COVID-19の症例を検出するためのディープラーニング分類モデルを構築した。
  論文  参考訳（メタデータ） (2024-02-12T12:52:47Z)
• Faked Speech Detection with Zero Prior Knowledge [2.407976495888858]
  本稿では,入力音声を実物または模倣物として盲目的に分類する分類器を開発するニューラルネットワーク手法を提案する。 本稿では,3層を隠蔽し,重層と落層を交互に交互に配置した逐次モデルに基づくディープニューラルネットワークを提案する。 人間の観察者の場合の85%の精度に対して、テストケースの94%の正確な分類が得られた。
  論文  参考訳（メタデータ） (2022-09-26T10:38:39Z)
• 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)
• Fully Automated End-to-End Fake Audio Detection [57.78459588263812]
  本稿では,完全自動エンドツーエンド音声検出手法を提案する。 まず、wav2vec事前学習モデルを用いて、音声の高レベル表現を得る。 ネットワーク構造には, Light-DARTS という異種アーキテクチャサーチ (DARTS) の修正版を用いる。
  論文  参考訳（メタデータ） (2022-08-20T06:46:55Z)
• Project Achoo: A Practical Model and Application for COVID-19 Detection from Recordings of Breath, Voice, and Cough [55.45063681652457]
  コンシューマー端末で録音した音声を用いて、新型コロナウイルスを迅速にトリアージする機械学習手法を提案する。 この手法は,信号処理手法と微調整深層学習ネットワークを組み合わせることで,信号の識別,コークス検出,分類を行う手法を提供する。 我々はまた、症状チェッカーと音声、息、うず信号を使って新型コロナウイルスの感染を検知するモバイルアプリケーションを開発し、展開した。
  論文  参考訳（メタデータ） (2021-07-12T08:07:56Z)
• Spotting adversarial samples for speaker verification by neural vocoders [102.1486475058963]
  我々は、自動話者検証(ASV)のための敵対サンプルを見つけるために、ニューラルボコーダを採用する。 元の音声と再合成音声のASVスコアの違いは、真正と逆正のサンプルの識別に良い指標であることがわかった。 私たちのコードは、将来的な比較作業のためにオープンソースにされます。
  論文  参考訳（メタデータ） (2021-07-01T08:58:16Z)
• 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)
• 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)
• COVID-19 Patient Detection from Telephone Quality Speech Data [4.726777092009554]
  本研究は、音声データに新型コロナウイルスに関する手がかりが存在するかどうかを調査する。 このデータセット上のSVM分類器は88.6%の精度とF1スコア92.7%の精度を達成することができる。 鼻音、停止音、中母音などの一部の電話クラスは、2つのクラスを他のクラスよりもよく区別することができる。
  論文  参考訳（メタデータ） (2020-11-09T10:16:08Z)
• Discriminative Nearest Neighbor Few-Shot Intent Detection by Transferring Natural Language Inference [150.07326223077405]
  データ不足を緩和するためには、ほとんどショットラーニングが注目を集めている。 深部自己注意を伴う識別的近傍分類を提示する。 自然言語推論モデル(NLI)を変換することで識別能力を高めることを提案する。
  論文  参考訳（メタデータ） (2020-10-25T00:39:32Z)

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。