3、基于人工智能的咳嗽声疾病检测

基于人工智能的咳嗽声疾病检测

1. 引言

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

人工智能和信号处理在肺部疾病预测方面展现出潜力，为非侵入式新冠筛查提供了平台，有助于快速筛查病毒，促进早期检测。本研究聚焦于使用从众包应用收集的咳嗽声，利用人工智能和信号处理方法检测新冠。研究训练了支持向量机（SVM）、ResNet 和传统卷积神经网络（CNN）三种模型，旨在研究这些模型在不同来源数据集上的泛化能力。

2. 相关工作

2.1 咳嗽声阶段

咳嗽声通常分为三个阶段：
- 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：气流和声音振幅下降。
- 发声或声门阶段：声门部分闭合振动产生有规律的周期性噪声。

患病患者可能在一次或几次呼吸后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记录波形中。

2.2 特征提取

从咳嗽声中提取的特征常见的有梅尔频率倒谱系数（MFCC）、短时傅里叶变换（STFT）、对数梅尔和梅尔频谱图。研究表明，梅尔频谱提取的特征效果最佳，其次是 STFT，所选特征用于咳嗽检测的准确率在 89.17% - 92.67% 之间。

2.3 模型应用

过去有多项使用人工智能对咳嗽声进行肺部疾病分类的研究：
-