3、基于人工智能的咳嗽声疾病检测研究

基于人工智能的咳嗽声疾病检测研究

一、引言

自严重急性呼吸综合征冠状病毒 2（SARS - CoV - 2）出现以来，全球疫情已持续两年多。截至 2022 年 6 月，全球累计确诊 COVID - 19 病例达 5.30896347 亿例，死亡病例 630.102 万例。咳嗽是 COVID - 19 的常见症状之一，咳嗽的声音和类型包含有助于疾病诊断的有用特征。

近年来，基于特征工程与人工智能（AI）的方法被用于利用咳嗽声对不同呼吸道疾病进行分类，这为通过咳嗽声检测 COVID - 19 奠定了基础。这种方法能快速便捷地预筛病毒，有助于减缓病毒在社区的传播，也能辅助医疗人员决策和实现早期干预。

常见的咳嗽声检测模型有线性回归（LR）、卷积神经网络（CNN）和支持向量机（SVM）。本研究分别训练了支持向量机（SVM）、ResNet 和传统 CNN 模型，旨在研究这些模型在不同来源数据集上的泛化能力。研究使用了来自剑桥大学的 COVID - 19 声音数据集和印度科学研究所（IISc）班加罗尔的 Coswara 项目音频数据集，并在不同数据集上对模型进行训练和测试，以分析模型性能。

二、相关工作

1. 咳嗽声阶段
   咳嗽声通常可分为三个阶段：
   • 爆发阶段：首先听到的爆发性声音，主要是类似噪声的波形。
   • 中间阶段：对应气流减少和声音振幅降低。
   • 发声或声门阶段：声门部分闭合振动产生规则的周期性噪声。患病患者在一次呼吸或几次呼吸间隔后，可能会出现长时间的爆发性咳嗽，即咳嗽“时期”“阵咳”等。这些阶段会反映在咳嗽