3、基于深度学习的COVID - 19检测与推特数据时间序列分析

基于深度学习的COVID - 19检测与推特数据时间序列分析

1. COVID - 19检测相关研究

在COVID - 19检测领域，不同的研究采用了多种技术。有研究观察到ResNet50在三种被考虑的模型中表现最佳。Chen等人提出了一种3D DNN方法，利用分割病变来预测病毒的存在与否，基于UNet ++分割模型，对武汉大学实验室获取的不同疾病患者的CT扫描图像进行研究，能以95%的准确率区分肺炎和非肺炎疾病患者。Barstugan等人在另一项研究中使用机器学习方法在CT扫描图像中更早地检测冠状病毒，数据来自土耳其政府医疗机构，对照片的补丁区域进行裁剪得到四个独特子集，使用SVM分类器对提取的特征进行分类，GLSZM特征提取策略的分类结果最佳，准确率达99.68%。

研究表明CNN模型在COVID - 19检测方面表现出色，但为了使其在现实应用中更可靠，需要进一步提高其准确率。对患者的X射线扫描图像进行预处理是一种有效的方法，不同的分割算法可用于图像预处理，从而提高CNN模型的准确率。

2. 提出的方法

本研究工作由五个模块组成：
- 数据收集和数据集形成 ：主要收集胸部X射线图像，来源为Kaggle（2000张图像）和GitHub（196张图像）。为了保持类别平衡，随机提取了196张图像。类别平衡对于数据集反映真实世界情况至关重要，若数据集类别不平衡，少数类别可能受到影响，导致预测出现异常。
- 数据增强 ：在将图像输入神经网络之前，需要进行数据分割。数据分割对于提高DNN模型的性能特别有效。用于DNN的数据集必须多样化且规模大，以实现更高的准确率。具体操