論文の概要: Discovering COVID-19 Coughing and Breathing Patterns from Unlabeled Data
Using Contrastive Learning with Varying Pre-Training Domains
- arxiv url: http://arxiv.org/abs/2306.01864v1
- Date: Fri, 2 Jun 2023 18:41:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-06 23:43:03.222506
- Title: Discovering COVID-19 Coughing and Breathing Patterns from Unlabeled Data
Using Contrastive Learning with Varying Pre-Training Domains
- Title（参考訳）: 事前学習ドメインとの対比学習による未ラベルデータからのCOVID-19カフリングとブレスパターンの発見
- Authors: Jinjin Cai, Sudip Vhaduri, and Xiao Luo
- Abstract要約: 本研究は,非ウイルス性うさぎの呼吸パターン発見のための,対照的な学習に基づくモデリング手法を提案する。
以上の結果から, 提案モデルでは, ラベル付けされていないデータやラベル付けされていない非新型コロナウイルスを, 0.81 と 0.86 の精度で効果的に識別できることが示唆された。
- 参考スコア（独自算出の注目度）: 3.935053618942546
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Rapid discovery of new diseases, such as COVID-19 can enable a timely
epidemic response, preventing the large-scale spread and protecting public
health. However, limited research efforts have been taken on this problem. In
this paper, we propose a contrastive learning-based modeling approach for
COVID-19 coughing and breathing pattern discovery from non-COVID coughs. To
validate our models, extensive experiments have been conducted using four large
audio datasets and one image dataset. We further explore the effects of
different factors, such as domain relevance and augmentation order on the
pre-trained models. Our results show that the proposed model can effectively
distinguish COVID-19 coughing and breathing from unlabeled data and labeled
non-COVID coughs with an accuracy of up to 0.81 and 0.86, respectively.
Findings from this work will guide future research to detect an outbreak of a
new disease early.
- Abstract（参考訳）: 新型コロナウイルスなどの新しい病気の迅速発見は、タイムリーな流行の対応を可能にし、大規模な拡散を防ぎ、公衆衛生を保護できる。
しかし、この問題についての研究は限られている。
そこで本研究では,非共発的cooughsからcovid-19を抽出し,呼吸パターンの発見を行うための,コントラスト型学習に基づくモデリング手法を提案する。
我々のモデルを検証するために、4つの大きな音声データセットと1つの画像データセットを用いて広範な実験を行った。
さらに、事前学習モデルに対するドメイン関連性や拡張順序などの異なる要因の影響についても検討する。
以上の結果から,提案モデルでは,0.81 %,0.86 %の精度で,ラベルなしのデータとラベル付きノンコビッドコークスとを効果的に区別できることがわかった。
この研究から得られた知見は、新しい疾患の早期発生を検出するための将来の研究を導く。
関連論文リスト
- A Hybrid Approach for COVID-19 Detection: Combining Wasserstein GAN with Transfer Learning [0.0]
我々は、後にディープラーニングモデルに入力された画像を合成して、COVID-19、ノーマル、ウイルス肺炎の画像の分類を行うGANベースのアプローチを提案する。
この拡張データセットを使用して、VGG-16、ResNet-50、GoogLeNet、MNASTの4つの提案されたディープラーニングモデルをトレーニングする。
VGG-16は4つの計画の中で99.17%の精度を達成した。
論文 参考訳（メタデータ） (2024-11-10T09:09:41Z) - Transfer Learning to Detect COVID-19 Coughs with Incremental Addition of
Patient Coughs to Healthy People's Cough Detection Models [0.6554326244334866]
Coughingは、スマートフォンのマイクセンサーから客観的に検出しようとしている一般的な症状の1つだ。
本研究は, 健康な患者と新型コロナウイルス患者との関係を生かした, インクリメンタルトランスファー学習手法を提案する。
論文 参考訳（メタデータ） (2023-11-12T02:01:24Z) - Dense Feature Memory Augmented Transformers for COVID-19 Vaccination
Search Classification [60.49594822215981]
本稿では,新型コロナウイルスワクチン関連検索クエリの分類モデルを提案する。
本稿では,モデルが対応可能なメモリトークンとして,高密度特徴を考慮した新しい手法を提案する。
この新しいモデリング手法により,Vaccine Search Insights (VSI) タスクを大幅に改善できることを示す。
論文 参考訳（メタデータ） (2022-12-16T13:57:41Z) - Comparative Analysis of State-of-the-Art Deep Learning Models for
Detecting COVID-19 Lung Infection from Chest X-Ray Images [3.829821362301428]
胸部X線画像を用いた新型コロナウイルス感染を自動的に検出するための最新の最先端のDeep Convolutional Neural Networks(CNN)の適用性について検討した。
トレーニングしたモデルMobileNet,EfficentNet,InceptionV3はそれぞれ95%,95%,94%の分類平均精度を達成した。
論文 参考訳（メタデータ） (2022-07-01T02:23:23Z) - The pitfalls of using open data to develop deep learning solutions for
COVID-19 detection in chest X-rays [64.02097860085202]
深層学習モデルは、胸部X線から新型コロナウイルスを識別するために開発された。
オープンソースデータのトレーニングやテストでは,結果は異例です。
データ分析とモデル評価は、人気のあるオープンソースデータセットであるCOVIDxが実際の臨床問題を代表していないことを示している。
論文 参考訳（メタデータ） (2021-09-14T10:59:11Z) - COVID-19 Detection from Chest X-ray Images using Imprinted Weights
Approach [67.05664774727208]
胸部X線撮影は、COVID-19の代替スクリーニング方法です。
コンピュータ支援診断(CAD)は低コストで高速で実現可能であることが証明されている。
この課題に対処するために,インプリント重みという低ショット学習手法を提案する。
論文 参考訳（メタデータ） (2021-05-04T19:01:40Z) - 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) - Pinball-OCSVM for early-stage COVID-19 diagnosis with limited
posteroanterior chest X-ray images [3.4935179780034247]
本研究は、新型コロナウイルス陽性のCXRサンプルを限定した状態で動作可能な、ピンボール損失関数に基づく1クラスサポートベクターマシン(PB-OCSVM)を提案する。
提案モデルの性能は従来のOCSVMや既存のディープラーニングモデルと比較し,実験結果から,提案モデルが最先端手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2020-10-16T02:34:15Z) - 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) - COVID-DA: Deep Domain Adaptation from Typical Pneumonia to COVID-19 [92.4955073477381]
新型コロナウイルス感染症(COVID-19)の流行はすでに何百万人もの人々に感染しており、今でも世界中で急速に拡大している。
近年,ディープラーニングを効果的なコンピュータ支援手法として利用し,診断効率を向上している。
本稿では,新たな深部ドメイン適応手法,すなわちCOVID-DAを提案する。
論文 参考訳（メタデータ） (2020-04-30T03:13:40Z) - 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。