[논문 리뷰] A Residual Network based Deep Learning Model for Detection of COVID-19 from Cough Sounds

Annesya Banerjee, Achal Nilhani|arXiv (Cornell University)|2021. 06. 04.

COVID-19 diagnosis using AI참고 문헌 21인용 수 5

한 줄 요약

이 논문은 DiCOVA 챌린지 2021 트랙-1 데이터셋을 기반으로 훈련하고 CoughVid 데이터셋을 활용해 증강한 log-Mel 스펙트로그램을 사용하여 음성 데이터에서 코로나19와 비코로나19 기침을 분류하는 딥러닝 모델을 제안한다. 모델은 테스트 AUC 75.91%, 민감도 80.49%, 특이도 62.50%를 기록하여 챌린지에서 16위를 차지했다.

ABSTRACT

The present work proposes a deep-learning-based approach for the classification of COVID-19 coughs from non-COVID-19 coughs and that can be used as a low-resource-based tool for early detection of the onset of such respiratory diseases. The proposed system uses the ResNet-50 architecture, a popularly known Convolutional Neural Network (CNN) for image recognition tasks, fed with the log-Mel spectrums of the audio data to discriminate between the two types of coughs. For the training and validation of the proposed deep learning model, this work utilizes the Track-1 dataset provided by the DiCOVA Challenge 2021 organizers. Additionally, to increase the number of COVID-positive samples and to enhance variability in the training data, it has also utilized a large open-source database of COVID-19 coughs collected by the EPFL CoughVid team. Our developed model has achieved an average validation AUC of 98.88%. Also, applying this model on the Blind Test Set released by the DiCOVA Challenge, the system has achieved a Test AUC of 75.91%, Test Specificity of 62.50%, and Test Sensitivity of 80.49%. Consequently, this submission has secured 16th position in the DiCOVA Challenge 2021 leader-board.

연구 동기 및 목표

• 기침 소리의 특징을 활용하여 저자원 환경에서 코로나19 조기 진단을 위한 딥러닝 기반 도구를 개발한다.
• 음성 기반 특징을 사용하여 코로나19 양성 기침과 비코로나19 기침을 분류한다.
• 오픈소스 기침 데이터베이스를 활용한 데이터 증강을 통해 모델의 일반화 능력을 향상시킨다.
• 표준 지표를 사용하여 DiCOVA 챌린지 2021 블라인드 테스트 세트에서 성능을 평가한다.
• 음성 신호를 활용한 비침습적이고 확장 가능한 호흡기 질환 스크리닝에 기여한다.

제안 방법

• 모델는 원래 이미지 분류를 위해 설계된 사전 훈련된 ResNet-50 아키텍처를 사용하며, 음성 입력에 적합하게 변형된다.
• 음성 샘플은 특징 추출을 위해 컨볼루션 신경망(CNN)에 입력되는 log-Mel 스펙트로그램으로 변환된다.
• 훈련 데이터셋은 DiCOVA 챌린지 2021 트랙-1 데이터셋과 CoughVid 데이터셋을 결합하여 양성 샘플의 수와 다양성을 늘린다.
• 데이터 증강 기법을 적용하여 훈련 중 과적합을 줄이고 모델의 강건성을 향상시킨다.
• 표준 딥러닝 최적화 기법과 교차 엔트로피 손실 함수를 사용하여 모델을 훈련하고 검증한다.
• AUC, 민감도, 특이도를 사용하여 DiCOVA 챌린지 2021 블라인드 테스트 세트에서 성능을 평가한다.

실험 결과

연구 질문

• RQ1 ResNet-50 기반의 딥러닝 모델은 오직 음성 특징만을 사용하여 코로나19 기침과 비코로나19 기침을 효과적으로 구분할 수 있는가?
• RQ2 CoughVid 데이터셋을 활용한 데이터 증강이 DiCOVA 챌린지 테스트 세트에서의 모델 성능에 어떤 영향을 미치는가?
• RQ3 모델은 DiCOVA 블라인드 테스트 세트의 실제 세계 기침 음성 샘플과 같은 미리보지 않은 샘플에 대해 어떤 일반화 능력을 가지는가?
• RQ4 저자원 진단 환경에서 모델이 높은 민감도와 특이도를 유지하는 정도는 어느 정도인가?
• RQ5 log-Mel 스펙트로그램은 기침 소리에서 미세한 호흡기 이상을 식별하는 데 효과적인 표현 방식이 될 수 있는가?

주요 결과

• 모델은 통합된 훈련 및 검증 세트에서 평균 검증 AUC 98.88%를 기록했다.
• DiCOVA 챌린지 2021 블라인드 테스트 세트에서 모델은 테스트 AUC 75.91%를 기록했다.
• 시스템은 테스트 민감도 80.49%를 보이며, 양성 사례를 강력하게 탐지할 수 있는 능력을 보였다.
• 테스트 특이도는 62.50%였으며, 비코로나19 사례를 중간 정도의 비율로 정확히 식별하는 것으로 나타났다.
• 모델는 DiCOVA 챌린지 2021 랭킹에서 16위를 기록하여 경쟁력 있는 성능을 입증했다.
• CoughVid 데이터셋의 통합은 훈련 데이터의 다양성과 모델의 강건성을 크게 향상시켰다.