تشخیص بیماری COVID-۱۹ از روی صدای سرفه افراد با استفاده از شبکه های عصبی مبتنی بر کانولوشن

سال انتشار: 1400
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 726

متن کامل این مقاله منتشر نشده است و فقط به صورت چکیده یا چکیده مبسوط در پایگاه موجود می باشد.
توضیح: معمولا کلیه مقالاتی که کمتر از ۵ صفحه باشند در پایگاه سیویلیکا اصل مقاله (فول تکست) محسوب نمی شوند و فقط کاربران عضو بدون کسر اعتبار می توانند فایل آنها را دریافت نمایند.

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

CSICC27_005

تاریخ نمایه سازی: 3 خرداد 1401

چکیده مقاله:

در اواخر سال ۲۰۱۹ در شهر ووهان چین بیماری حاد تنفسی به نام کرونا ویروس شایع شد. این بیماری به سرعت در شهرهای چین و کشورهای دیگر گسترش یافت و به گونه ای ادامه یافت که در ۳۰ ژانویه ۲۰۲۰ سازمان جهانی بهداشت WHO وضعیت اضطراری بین المللی را در ارتباط با این بیماری اعلام کرد. با توجه به همه گیری این ویروس تمام کشورهای در حال توسعه به دنبال تشخیص و درمان آن هستند. این بیماری یک بیماری تنفسی میباشد و روی حنجره تاثیر زیادی میگذارد و شخص بیمار را دچار سرفه های خشک میکند. بنابراین از روی صدای سرفه میتوان شخص مبتلا به کوید ۱۹ را شناسایی کرد. در این مقاله، ما با استفاده از مدل یادگیری مبتنی بر شبکه عصبی کانولوشن به عنوان یک روش مناسب و کم هزینه برای تشخیص کوید ۱۹ استفاده کردیم. ما با استفاده از ضبط های صوتی حاوی صدای سرفه که از دستگاه تلفن همراه یا از طریق وب آماده شده اند به تشخیص کوید ۱۹ میپردازیم و مجموعه ای از شبکه های عصبی کانولوشن که از صدای سرفه خام استفاده میکنند آموزش میدهیم. برای ارزیابی نتایج از دادگان covid۱۹-sounds، public Dataset و virufy-cdf-coughvid استفاده کردیم. نتایج نشان میدهد که روش پیشنهادی عملکرد بهتری نسبت به روش های پایه دارد.

کلیدواژه ها:

استخراج ویژگی ، تجزیه و تحلیل صدای سرفه ، شبکه های عصبی کانولوشن ، طبقه بندی ، کرونا ویروس

نویسندگان

بهزاد بختیاری

استادیار و عضو هیات علمی دانشکده مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه صنعتی سجاد، مشهد

الهام کلهر

کارشناس ارشد مهندسی کامپیوتر گرایش هوش مصنوعی، دانشگاه صنعتی سجاد، مشهد