論文の概要: Developing a Multi-variate Prediction Model For COVID-19 From Crowd-sourced Respiratory Voice Data

• arxiv url: http://arxiv.org/abs/2402.07619v1
• Date: Mon, 12 Feb 2024 12:52:47 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-13 14:16:02.460321
• Title: Developing a Multi-variate Prediction Model For COVID-19 From Crowd-sourced Respiratory Voice Data
• Title（参考訳）: クラウドソース型呼吸音声データを用いたcovid-19の多変量予測モデルの開発
• Authors: Yuyang Yan, Wafaa Aljbawi, Sami O. Simons, Visara Urovi
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: COVID-19 has affected more than 223 countries worldwide and in the Post-COVID Era, there is a pressing need for non-invasive, low-cost, and highly scalable solutions to detect COVID-19. We develop a deep learning model to identify COVID-19 from voice recording data. The novelty of this work is in the development of deep learning models for COVID-19 identification from only voice recordings. We use the Cambridge COVID-19 Sound database which contains 893 speech samples, crowd-sourced from 4352 participants via a COVID-19 Sounds app. Voice features including Mel-spectrograms and Mel-frequency cepstral coefficients (MFCC) and CNN Encoder features are extracted. Based on the voice data, we develop deep learning classification models to detect COVID-19 cases. These models include Long Short-Term Memory (LSTM) and Convolutional Neural Network (CNN) and Hidden-Unit BERT (HuBERT). We compare their predictive power to baseline machine learning models. HuBERT achieves the highest accuracy of 86\% and the highest AUC of 0.93. The results achieved with the proposed models suggest promising results in COVID-19 diagnosis from voice recordings when compared to the results obtained from the state-of-the-art.
• Abstract（参考訳）: 新型コロナウイルスは世界中で223カ国以上で感染しており、非侵襲的で低コストで高度にスケーラブルなソリューションの必要性が高まっている。 音声記録データからcovid-19を識別するディープラーニングモデルを開発した。 この研究の目新しさは、音声録音のみからcovid-19識別のためのディープラーニングモデルの開発にある。 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。 メルスペクトルおよびメル周波数ケプストラム係数(MFCC)およびCNNエンコーダ特徴を含む音声特徴を抽出する。 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。 これらのモデルには、Long Short-Term Memory (LSTM) と Convolutional Neural Network (CNN) と Hidden-Unit BERT (HuBERT) がある。 予測能力とベースライン機械学習モデルを比較した。 hubert は 86\% で、最高 auc は 0.93 である。 提案モデルを用いて得られた結果は,最先端の結果と比較して,音声記録から新型コロナウイルスの診断に有望な結果を示唆する。

関連論文リスト

• Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• EDAC: Efficient Deployment of Audio Classification Models For COVID-19 Detection [0.0]
  新型コロナウイルスの世界的な感染拡大は、公衆衛生や世界経済に深刻な影響を及ぼした。 新型コロナウイルスを検出するために、さまざまな研究者が機械学習手法を利用した。 このソリューションは、CTスキャンや粗い音声信号などの様々な入力機能と、ディープニューラルネットワークアーキテクチャから生じる最先端の結果を活用する。 この問題に対処するため、私たちはまず、新型コロナウイルスを検出するためにうっ血録音を使用する2つのモデルを再現しました。
  論文  参考訳（メタデータ） (2023-09-11T10:07:51Z)
• COVID-Net Assistant: A Deep Learning-Driven Virtual Assistant for COVID-19 Symptom Prediction and Recommendation [75.74756992992147]
  新型コロナウイルスの症状予測とレコメンデーションを提供するために設計された,効率的な仮想アシスタントであるCOVID-Net Assistantの設計を紹介する。 マシン駆動設計探索を通じて生成された、高度にカスタマイズされた軽量な畳み込みニューラルネットワークアーキテクチャについて検討する。 実験結果から,強力な予測性能を示す COVID-Net Assistant ニューラルネットワークが期待できる結果を得た。
  論文  参考訳（メタデータ） (2022-11-22T01:41:48Z)
• 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)
• On the pragmatism of using binary classifiers over data intensive neural network classifiers for detection of COVID-19 from voice [34.553128768223615]
  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。
  論文  参考訳（メタデータ） (2022-04-11T00:19:14Z)
• 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)
• 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)

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。