机器学习方法用于从语音信号中检测Covid-19使用Mel频率大小系数
Sudhansu Sekhar Nayak1, Anand D Darji1, Prashant K Shah1
1Sardar Vallabhbhai National Institute of Technology, Surat, Gujarat India.
Signal, image and video processing
|June 26, 2023
概括
这项研究介绍了一种新的非侵入性方法,用于使用语音信号和人工智能检测COVID-19. 对Mel频率大小系数 (MFMC) 的机器学习分析显示了远程诊断的有希望的准确性.
科学领域:
- 生物医学工程 生物医学工程
- 医疗保健中的人工智能
- 信号处理 信号处理
背景情况:
- 由于COVID-19的流行,需要快速且易于使用的诊断工具.
- 智能医疗技术为有效的疾病检测提供了潜力.
- 语音信号分析与人工智能相结合,提供了一个非侵入性的诊断途径.
研究的目的:
- 设计和开发一种使用语音信号进行COVID-19的非侵入性,低成本,远程诊断系统.
- 研究Mel频率大小系数 (MFMC) 和机器学习用于从语音中检测COVID-19的有效性.
- 根据语音特征,比较不同机器学习分类器在识别COVID-19方面的性能.
主要方法:
- 从语音信号中提取Mel频率大小系数 (MFMC),以捕获更高阶的光谱特征.
- 机器学习分类器的应用,包括随机森林和K-最近邻居 (KNN),用于COVID-19检测.
- 使用光谱系数 (12, 24, 30, 40) 和像曲线下的面积 (AUC) 这样的指标来评估系统性能.
主要成果:
- 梅尔频率大小系数 (MFMC) 证明了频率分辨率的提高和噪声的降低,提高了诊断准确度.
- 与其他模型相比,K-最近邻居 (KNN) 分类器获得了0.80的曲线下面面积 (AUC) 得分.
- 机器学习方法被证明是有效的,并且在这个诊断任务中比深度学习更少的计算密集度.
结论:
- 使用MFMC和机器学习的语音信号分析为远程COVID-19检测提供了一种可行的非侵入性,低成本的方法.
- 根据声声生物标志物,KNN算法显示出基于声声生物标志物的准确COVID-19诊断的巨大潜力.
- 这种智能医疗保健方法可以为更快,更有效的流行病应对策略做出贡献.
