論文の概要: L3-Net Deep Audio Embeddings to Improve COVID-19 Detection from
Smartphone Data
- arxiv url: http://arxiv.org/abs/2205.07682v1
- Date: Mon, 16 May 2022 13:50:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-17 17:59:04.611944
- Title: L3-Net Deep Audio Embeddings to Improve COVID-19 Detection from
Smartphone Data
- Title(参考訳): スマートフォンのデータからcovid-19検出を改善するl3-netディープオーディオ埋め込み
- Authors: Mattia Giovanni Campana, Andrea Rovati, Franca Delmastro, Elena Pagani
- Abstract要約: 人工呼吸記録から有意な特徴を自動的に抽出する深層埋め込みモデルL3-Netの有効性について検討した。
結果は、L3-Netと手作りの機能の組み合わせが、AUCの他の作品のパフォーマンスを28.57%上回っていることを示している。
- 参考スコア(独自算出の注目度): 5.505634045241288
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Smartphones and wearable devices, along with Artificial Intelligence, can
represent a game-changer in the pandemic control, by implementing low-cost and
pervasive solutions to recognize the development of new diseases at their early
stages and by potentially avoiding the rise of new outbreaks. Some recent works
show promise in detecting diagnostic signals of COVID-19 from voice and coughs
by using machine learning and hand-crafted acoustic features. In this paper, we
decided to investigate the capabilities of the recently proposed deep embedding
model L3-Net to automatically extract meaningful features from raw respiratory
audio recordings in order to improve the performances of standard machine
learning classifiers in discriminating between COVID-19 positive and negative
subjects from smartphone data. We evaluated the proposed model on 3 datasets,
comparing the obtained results with those of two reference works. Results show
that the combination of L3-Net with hand-crafted features overcomes the
performance of the other works of 28.57% in terms of AUC in a set of
subject-independent experiments. This result paves the way to further
investigation on different deep audio embeddings, also for the automatic
detection of different diseases.
- Abstract(参考訳): スマートフォンやウェアラブルデバイスは、人工知能と共に、新しい疾患の発生を早期に認識し、新しいアウトブレイクの発生を避けるために、低コストで広く普及したソリューションを導入することで、パンデミックコントロールにおけるゲームチェンジャーを表現できる。
近年のいくつかの研究は、機械学習と手作り音響特徴を用いて、音声から新型コロナウイルスの診断信号を検出することを約束している。
本稿では,最近提案された深層埋込みモデルL3-Netによる生の呼吸録音から有意な特徴を自動的に抽出する能力について検討し,スマートフォンデータから新型コロナウイルス陽性と陰性を識別する標準的な機械学習分類器の性能を向上させることを目的とする。
提案モデルを3つのデータセット上で評価し,得られた結果と2つの参照結果を比較した。
その結果、l3-netと手作りの機能の組み合わせは、被験者に依存しない実験でaucの観点から他の作品のパフォーマンスを28.57%上回ることがわかった。
この結果は、さまざまな深層オーディオ埋め込みに関するさらなる調査への道を開くものであり、また、異なる疾患の自動検出にも役立つ。
関連論文リスト
- Utilizing Machine Learning and 3D Neuroimaging to Predict Hearing Loss: A Comparative Analysis of Dimensionality Reduction and Regression Techniques [0.0]
我々は,脳の灰白質3次元画像における難聴閾値を予測するための機械学習アプローチについて検討した。
第1フェーズでは,3次元CNNモデルを用いて,遅延空間への高次元入力を低減した。
第2フェーズでは、このモデルを使用して、リッチな機能への入力を削減した。
論文 参考訳(メタデータ) (2024-04-30T18:39:41Z) - MLCA-AVSR: Multi-Layer Cross Attention Fusion based Audio-Visual Speech Recognition [62.89464258519723]
異なるレベルのオーディオ/視覚エンコーダに融合することで、各モードの表現を促進する多層クロスアテンション融合に基づくAVSR手法を提案する。
提案手法は第1位システムを超え,新たなSOTA cpCERの29.13%をこのデータセット上に構築する。
論文 参考訳(メタデータ) (2024-01-07T08:59:32Z) - An Explainable Deep Learning-Based Method For Schizophrenia Diagnosis Using Generative Data-Augmentation [0.3222802562733786]
脳波記録を用いた統合失調症の自動診断にディープラーニングを用いた手法を応用した。
このアプローチは、診断の精度を高める強力な手法である生成データ拡張を利用する。
論文 参考訳(メタデータ) (2023-10-25T12:55:16Z) - Transfer Learning for the Efficient Detection of COVID-19 from
Smartphone Audio Data [6.18778092044887]
スマートフォンデータから病気を検出することは、モバイル健康(m-health)システムにおけるオープンな研究課題である。
本研究は,手作りの3種類の深層学習モデルの実験的評価である。
商用モバイルデバイス上での様々なモデルのメモリフットプリントを評価する。
論文 参考訳(メタデータ) (2023-07-06T13:19:27Z) - Augment and Criticize: Exploring Informative Samples for Semi-Supervised
Monocular 3D Object Detection [64.65563422852568]
我々は、一般的な半教師付きフレームワークを用いて、難解な単分子3次元物体検出問題を改善する。
我々は、ラベルのないデータから豊富な情報的サンプルを探索する、新しい、シンプルで効果的なAugment and Criticize'フレームワークを紹介します。
3DSeMo_DLEと3DSeMo_FLEXと呼ばれる2つの新しい検出器は、KITTIのAP_3D/BEV(Easy)を3.5%以上改善した。
論文 参考訳(メタデータ) (2023-03-20T16:28:15Z) - 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) - 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) - Automated Model Design and Benchmarking of 3D Deep Learning Models for
COVID-19 Detection with Chest CT Scans [72.04652116817238]
3D胸部CTスキャン分類のための3D DLモデルを自動的に検索するための差別化可能なニューラルネットワーク探索(DNAS)フレームワークを提案する。
また,我々のモデルのクラスアクティベーションマッピング(cam)技術を利用して,結果の解釈可能性を提供する。
論文 参考訳(メタデータ) (2021-01-14T03:45:01Z) - 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) - 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。