論文の概要: Robust COVID-19 Detection from Cough Sounds using Deep Neural Decision Tree and Forest: A Comprehensive Cross-Datasets Evaluation

• arxiv url: http://arxiv.org/abs/2501.01117v1
• Date: Thu, 02 Jan 2025 07:35:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-05 17:15:21.187988
• Title: Robust COVID-19 Detection from Cough Sounds using Deep Neural Decision Tree and Forest: A Comprehensive Cross-Datasets Evaluation
• Title（参考訳）: 深い神経決定木と森林を用いたカフ音からのロバストなCOVID-19検出:包括的クロスデータセット評価
• Authors: Rofiqul Islam, Nihad Karim Chowdhury, Muhammad Ashad Kabir,
• Abstract要約: 本研究は、最先端の機械学習技術を用いて、新型コロナウイルス音の分類に頑健なアプローチを示す。 本手法は,様々な音質データセットに対して一貫した性能を示す。 本研究は、新型コロナウイルス関連音の人口的および地理的な差異を明らかにする総合的なデータセット分析を含む。
• 参考スコア（独自算出の注目度）: 1.219832939917878
• License:
• Abstract: This research presents a robust approach to classifying COVID-19 cough sounds using cutting-edge machine-learning techniques. Leveraging deep neural decision trees and deep neural decision forests, our methodology demonstrates consistent performance across diverse cough sound datasets. We begin with a comprehensive extraction of features to capture a wide range of audio features from individuals, whether COVID-19 positive or negative. To determine the most important features, we use recursive feature elimination along with cross-validation. Bayesian optimization fine-tunes hyper-parameters of deep neural decision tree and deep neural decision forest models. Additionally, we integrate the SMOTE during training to ensure a balanced representation of positive and negative data. Model performance refinement is achieved through threshold optimization, maximizing the ROC-AUC score. Our approach undergoes a comprehensive evaluation in five datasets: Cambridge, Coswara, COUGHVID, Virufy, and the combined Virufy with the NoCoCoDa dataset. Consistently outperforming state-of-the-art methods, our proposed approach yields notable AUC scores of 0.97, 0.98, 0.92, 0.93, 0.99, and 0.99 across the respective datasets. Merging all datasets into a combined dataset, our method, using a deep neural decision forest classifier, achieves an AUC of 0.97. Also, our study includes a comprehensive cross-datasets analysis, revealing demographic and geographic differences in the cough sounds associated with COVID-19. These differences highlight the challenges in transferring learned features across diverse datasets and underscore the potential benefits of dataset integration, improving generalizability and enhancing COVID-19 detection from audio signals.
• Abstract（参考訳）: 本研究は、最先端の機械学習技術を用いて、新型コロナウイルス音の分類に頑健なアプローチを示す。 ディープ・ニューラル決定木とディープ・ニューラル決定森林を活用することで、様々なコークス音声データセット間で一貫した性能を示す。 まずは、新型コロナウイルスの陽性でも陰性でも、個人から幅広いオーディオ特徴を捉えるための、包括的な機能抽出から始めます。 最も重要な特徴を決定するために、私たちはクロスバリデーションとともに再帰的特徴除去を使用します。 ディープ・ニューラル決定木とディープ・ニューラル決定林モデルのベイズ最適化ハイパーパラメータ さらに、トレーニング中にSMOTEを統合し、正と負のデータのバランスの取れた表現を保証する。 モデルの性能改善はしきい値の最適化によって達成され、ROC-AUCスコアを最大化する。 提案手法では,Cambridge,Cosawara,COUGHVID,Virufy,NoCoCoDaデータセットを組み合わせたVirufyの5つのデータセットを総合的に評価する。 提案手法は,各データセットのAUCスコアが0.97,0.98,0.92,0.93,0.99,0.99である。 すべてのデータセットを組み合わせたデータセットにマージすることで、ディープニューラルネットワーク決定森林分類器を用いて、AUCは0.97となる。 また、我々の研究は、COVID-19に関連する音の人口的および地理的な差異を明らかにする総合的なデータセット分析も含んでいる。 これらの違いは、さまざまなデータセット間で学習した機能を転送する際の課題を強調し、データセット統合の潜在的なメリットを強調し、一般化性を改善し、オーディオ信号からのCOVID-19検出を強化している。

関連論文リスト

• Multi-Dataset Multi-Task Learning for COVID-19 Prognosis [25.371798627482065]
  胸部X線による新型コロナウイルスの予後を予測できる新しいマルチデータセット・マルチタスク・トレーニング・フレームワークを提案する。 本フレームワークは,重大度スコアを評価することによって,重大度グループを分類するモデルの能力を高めることを仮定する。
  論文  参考訳（メタデータ） (2024-05-22T15:57:44Z)
• Real Acoustic Fields: An Audio-Visual Room Acoustics Dataset and Benchmark [65.79402756995084]
  Real Acoustic Fields (RAF)は、複数のモードから実際の音響室データをキャプチャする新しいデータセットである。 RAFは密集した室内音響データを提供する最初のデータセットである。
  論文  参考訳（メタデータ） (2024-03-27T17:59:56Z)
• Sample Complexity of Preference-Based Nonparametric Off-Policy Evaluation with Deep Networks [58.469818546042696]
  我々は、OPEのサンプル効率を人間の好みで研究し、その統計的保証を確立する。 ReLUネットワークのサイズを適切に選択することにより、マルコフ決定過程において任意の低次元多様体構造を活用できることが示される。
  論文  参考訳（メタデータ） (2023-10-16T16:27:06Z)
• Infinite Recommendation Networks: A Data-Centric Approach [8.044430277912936]
  Neural Tangent Kernelを活用して、無限大のニューラルネットワークをトレーニングし、無限大のボトルネック層を持つオートエンコーダであるinfty$-AEを考案します。 また、小型で高忠実なデータ要約を合成するためのDistill-CFを開発した。 我々は、最初のデータセットサイズの0.1%に満たない完全なデータセット上で、infty$-AEのパフォーマンスの96-105%を観察した。
  論文  参考訳（メタデータ） (2022-06-03T00:34:13Z)
• End-to-End Zero-Shot HOI Detection via Vision and Language Knowledge Distillation [86.41437210485932]
  我々は、ゼロショットHOI検出を前進させ、同時に見えないHOIと見えないHOIの両方を検出することを目指している。 本稿では,視覚言語による知識蒸留によるエンドツーエンドのゼロショットHOI検出フレームワークを提案する。 本手法は, 従来のSOTAを8.92%, 全体の10.18%で上回っている。
  論文  参考訳（メタデータ） (2022-04-01T07:27:19Z)
• Multimodal PET/CT Tumour Segmentation and Prediction of Progression-Free Survival using a Full-Scale UNet with Attention [0.8138288420049126]
  MICCAI 2021 ヘッドとネックタマ (HECKTOR) セグメンテーションと結果予測の課題は、セグメンテーション法を比較するためのプラットフォームを作成する。 腫瘍容積セグメンテーションのために複数のニューラルネットワークを訓練し,これらのセグメンテーションを組込み,平均Dice類似度係数0.75をクロスバリデーションで達成した。 患者進行自由生存の予測のために,臨床,放射線学,深層学習機能を組み合わせたCox比例的ハザード回帰法を提案する。
  論文  参考訳（メタデータ） (2021-11-06T10:28:48Z)
• Cervical Cytology Classification Using PCA & GWO Enhanced Deep Features Selection [1.990876596716716]
  子宮頸癌は世界でも最も致命的かつ一般的な疾患の1つである。 ディープラーニングと特徴選択を利用した完全自動化フレームワークを提案する。 このフレームワークは3つの公開ベンチマークデータセットで評価されている。
  論文  参考訳（メタデータ） (2021-06-09T08:57:22Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Deep learning-based COVID-19 pneumonia classification using chest CT images: model generalizability [54.86482395312936]
  深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。 我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。 複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
  論文  参考訳（メタデータ） (2021-02-18T21:14:52Z)
• 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)

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。