論文の概要: UFRC: A Unified Framework for Reliable COVID-19 Detection on
Crowdsourced Cough Audio
- arxiv url: http://arxiv.org/abs/2204.07763v1
- Date: Sat, 16 Apr 2022 09:24:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-19 17:04:27.603778
- Title: UFRC: A Unified Framework for Reliable COVID-19 Detection on
Crowdsourced Cough Audio
- Title(参考訳): ufrc:クラウドソーシングによるcovid-19検出のための統一フレームワーク
- Authors: Jiangeng Chang, Yucheng Ruan, Cui Shaoze, John Soong Tshon Yit,
Mengling Feng
- Abstract要約: 我々は、データ拡張、ImageNet-pretrained ResNet-50、コスト感受性損失、深層学習、不確実性推定のコアコンポーネントを備えた統合システムを提案する。
COVID-19検出の課題では、ImageNet-pretrained ResNet-50が有効であることが判明した。
統合された枠組みは、異なる呼吸障害を迅速に診断するためにオーディオが用いられることも示している。
- 参考スコア(独自算出の注目度): 0.5549794481031467
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We suggested a unified system with core components of data augmentation,
ImageNet-pretrained ResNet-50, cost-sensitive loss, deep ensemble learning, and
uncertainty estimation to quickly and consistently detect COVID-19 using
acoustic evidence. To increase the model's capacity to identify a minority
class, data augmentation and cost-sensitive loss are incorporated (infected
samples). In the COVID-19 detection challenge, ImageNet-pretrained ResNet-50
has been found to be effective. The unified framework also integrates deep
ensemble learning and uncertainty estimation to integrate predictions from
various base classifiers for generalisation and reliability. We ran a series of
tests using the DiCOVA2021 challenge dataset to assess the efficacy of our
proposed method, and the results show that our method has an AUC-ROC of 85.43
percent, making it a promising method for COVID-19 detection. The unified
framework also demonstrates that audio may be used to quickly diagnose
different respiratory disorders.
- Abstract(参考訳): 本研究では,データ拡張のコアコンポーネントであるimagenet-pretrained resnet-50,コストに敏感な損失,深層アンサンブル学習,不確実性推定を用いた統合システムを提案する。
マイノリティクラスを識別するモデルの能力を高めるために、データ拡張とコストに敏感な損失が組み込まれている(感染サンプル)。
COVID-19検出チャレンジでは、ImageNet-pretrained ResNet-50が有効であることが判明した。
統合フレームワークはまた、深層アンサンブル学習と不確実性推定を統合し、一般化と信頼性のための様々な基底分類器からの予測を統合する。
dicova2021チャレンジデータセットを用いて,提案手法の有効性評価を行った結果,auc-rocは85.43%であり,covid-19検出に有望な方法であることが判明した。
この統一フレームワークは、異なる呼吸器疾患を迅速に診断するためにオーディオが使用されることも示している。
関連論文リスト
- 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) - A Generic Deep Learning Based Cough Analysis System from Clinically
Validated Samples for Point-of-Need Covid-19 Test and Severity Levels [85.41238731489939]
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。
論文 参考訳(メタデータ) (2021-11-10T19:39:26Z) - 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) - 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) - DiCOVA-Net: Diagnosing COVID-19 using Acoustics based on Deep Residual
Network for the DiCOVA Challenge 2021 [0.45119235878273]
ウイルス感染患者を同定するために, ディープ・リザーブ・ネットワーク(DiCOVA-Net) を用いたディープ・リザーブ・ネットワーク・ベース・手法を提案する。
マイノリティ・クラス(感染患者)の認識能力を向上させるため,データ拡張法とコスト感受性手法を導入する。
我々の手法はAUCで85.43%を獲得し、全チームの中でトップとなった。
論文 参考訳(メタデータ) (2021-07-11T19:25:06Z) - An Approach Towards Physics Informed Lung Ultrasound Image Scoring
Neural Network for Diagnostic Assistance in COVID-19 [0.0]
肺超音波(LUS)における胸膜下領域の音響伝搬に基づく特徴抽出のための新しいアプローチが提示された。
LUSNetと呼ばれるニューラルネットワークは、LUSイメージを、新型コロナウイルスの進行を追跡するために、肺感染症の重症度の異なる5つのクラスに分類するように訓練されている。
新型コロナウイルスの患者10名に対する全回復期間に対するLUS画像のアプローチに関する詳細な分析では、平均5倍のクロスバリデーション精度、感度、特異性はそれぞれ5000コマで97%、93%、98%となっている。
論文 参考訳(メタデータ) (2021-06-13T13:01:53Z) - 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。