論文の概要: COVID-19 Detection from Respiratory Sounds with Hierarchical Spectrogram
Transformers
- arxiv url: http://arxiv.org/abs/2207.09529v2
- Date: Sat, 27 May 2023 00:25:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-31 04:02:10.015260
- Title: COVID-19 Detection from Respiratory Sounds with Hierarchical Spectrogram
Transformers
- Title（参考訳）: 階層型スペクトログラムトランスフォーマによる呼吸音からのcovid-19検出
- Authors: Idil Aytekin, Onat Dalmaz, Kaan Gonc, Haydar Ankishan, Emine U
Saritas, Ulas Bagci, Haydar Celik and Tolga Cukur
- Abstract要約: 本研究は、新型コロナウイルス患者の音声記録や呼吸音の健全な制御を区別する新しい深層学習手法を提案する。
提案手法は, 呼吸音のスペクトル表現に新しい階層型スペクトログラム変換器 (HST) を利用する。
HSTは、スペクトログラム内のローカルウィンドウ上の自己注意機構を具現化し、モデルステージ上でウィンドウサイズを徐々に成長させ、ローカルからグローバルなコンテキストをキャプチャする。
- 参考スコア（独自算出の注目度）: 1.4091863292043447
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Monitoring of prevalent airborne diseases such as COVID-19 characteristically
involves respiratory assessments. While auscultation is a mainstream method for
preliminary screening of disease symptoms, its utility is hampered by the need
for dedicated hospital visits. Remote monitoring based on recordings of
respiratory sounds on portable devices is a promising alternative, which can
assist in early assessment of COVID-19 that primarily affects the lower
respiratory tract. In this study, we introduce a novel deep learning approach
to distinguish patients with COVID-19 from healthy controls given audio
recordings of cough or breathing sounds. The proposed approach leverages a
novel hierarchical spectrogram transformer (HST) on spectrogram representations
of respiratory sounds. HST embodies self-attention mechanisms over local
windows in spectrograms, and window size is progressively grown over model
stages to capture local to global context. HST is compared against
state-of-the-art conventional and deep-learning baselines. Demonstrations on
crowd-sourced multi-national datasets indicate that HST outperforms competing
methods, achieving over 83% area under the receiver operating characteristic
curve (AUC) in detecting COVID-19 cases.
- Abstract（参考訳）: 新型コロナウイルス(COVID-19)などの流行する空気病のモニタリングは、呼吸アセスメントに特有である。
オースカルテーションは疾患症状の予備スクリーニングの主流の方法であるが、専用の病院訪問の必要性によってその実用性は妨げられている。
ポータブルデバイス上での呼吸音の記録に基づく遠隔監視は有望な代替手段であり、主に下気道に影響を与える新型コロナウイルスの早期評価を支援する。
本研究では, 新型コロナウイルス患者の音声記録や呼吸音の健全なコントロールを識別する, 新たな深層学習手法を提案する。
提案手法は,呼吸音のスペクトル表現に新しい階層型スペクトログラム変換器(HST)を利用する。
HSTは、スペクトログラム内のローカルウィンドウ上の自己注意機構を具現化し、モデルステージ上でウィンドウサイズを徐々に成長させ、ローカルからグローバルなコンテキストを捉える。
HSTは、最先端の従来型およびディープラーニングベースラインと比較される。
クラウドソースされた多国籍データセットのデモでは、HSTは競合する手法より優れており、COVID-19感染の検出において、受信者操作特性曲線(AUC)の83%以上の領域を達成している。
関連論文リスト
- Machine learning-based algorithms for at-home respiratory disease monitoring and respiratory assessment [45.104212062055424]
本研究の目的は、在宅呼吸器疾患のモニタリングと評価を容易にする機械学習ベースのアルゴリズムを開発することである。
健常成人30名を対象に, 呼吸圧, 血流, 胸腹部周囲の動的計測を行った。
ランダムフォレスト分類器、ロジスティック回帰、サポートベクターマシン(SVM)など、さまざまな機械学習モデルをトレーニングし、呼吸タイプを予測する。
論文 参考訳（メタデータ） (2024-09-05T02:14:31Z) - COVID-19 Detection System: A Comparative Analysis of System Performance Based on Acoustic Features of Cough Audio Signals [0.6963971634605796]
本研究は、新型コロナウイルス検出における機械学習(ML)モデルの性能向上を図ることを目的としている。
MFCC(Mel Frequency Cepstral Coefficients)、クロマ(Chroma)、スペクトルコントラスト(Spectral Contrast)の3つの特徴抽出手法の有効性について検討し、2つの機械学習アルゴリズム、SVM(Support Vector Machine)とMLP(Multilayer Perceptron)に適用した。
提案システムでは,COUGHVIDデータセットでは0.843,Virufyでは0.953,最先端の分類性能を示す。
論文 参考訳（メタデータ） (2023-09-08T08:33:24Z) - Patch-Mix Contrastive Learning with Audio Spectrogram Transformer on
Respiratory Sound Classification [19.180927437627282]
本稿では,潜在空間における混合表現を識別するために,新規かつ効果的なパッチ・ミクス・コントラスト学習を提案する。
提案手法はICBHIデータセット上での最先端性能を実現し,4.08%の改善により先行先行スコアを上回った。
論文 参考訳（メタデータ） (2023-05-23T13:04:07Z) - Fused Audio Instance and Representation for Respiratory Disease
Detection [0.6827423171182154]
呼吸器疾患の検出方法としてFAIR(Fused Audio Instance and Representation)を提案する。
体音の波形とスペクトログラムの表現を組み合わせることで、COVID-19検出のユースケースについて実験を行った。
論文 参考訳（メタデータ） (2022-04-22T09:01:29Z) - EIHW-MTG DiCOVA 2021 Challenge System Report [2.3544007354006706]
本研究の目的は、うずまに埋め込まれた音響情報を分析することで、COVID-19患者を自動的に検出することである。
本研究は、新型コロナウイルスがこれらの信号の周波数量を変化させるかどうかを調べることを目的として、試料の分光図表現の分析に焦点をあてる。
論文 参考訳（メタデータ） (2021-10-13T07:38:54Z) - 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) - CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19
Patients Using Deep Learning [133.87426554801252]
我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。
本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
論文 参考訳（メタデータ） (2021-05-25T12:06:55Z) - Exploring Self-Supervised Representation Ensembles for COVID-19 Cough
Classification [5.469841541565308]
そこで本研究では,新しい自己教師付き学習フレームワークを提案する。
非ラベルデータでトランスフォーマベースの特徴エンコーダを訓練するために、コントラストプレトレーニングフェーズを導入する。
提案したコントラスト事前学習,ランダムマスキング機構,アンサンブルアーキテクチャが,コークス分類性能の向上に寄与していることを示す。
論文 参考訳（メタデータ） (2021-05-17T01:27:20Z) - 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) - Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning [57.00601760750389]
前頭部胸部X線画像の重症度予測モデルを提案する。
このようなツールは、エスカレーションやケアの非エスカレーションに使用できる新型コロナウイルスの肺感染症の重症度を測定することができる。
論文 参考訳（メタデータ） (2020-05-24T23:13:16Z) - Diagnosis of Coronavirus Disease 2019 (COVID-19) with Structured Latent
Multi-View Representation Learning [48.05232274463484]
最近、コロナウイルス病2019(COVID-19)の流行は世界中で急速に広まっている。
多くの患者と医師の重労働のために、機械学習アルゴリズムによるコンピュータ支援診断が緊急に必要である。
本研究では,CT画像から抽出した一連の特徴を用いて,COVID-19の診断を行うことを提案する。
論文 参考訳（メタデータ） (2020-05-06T15:19:15Z)
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。