[论文解读] Developing a multi-variate prediction model for the detection of COVID-19 from Crowd-sourced Respiratory Voice Data

Wafaa Aljbawi, Sami O. Simmons+1 more|arXiv (Cornell University)|Sep 8, 2022

COVID-19 diagnosis using AI被引用 11

一句话总结

本研究利用众包语音录音开发了一种深度学习模型，以非侵入性方式检测新冠肺炎。该模型使用LSTM网络对语音样本的梅尔频率倒谱系数（MFCCs）进行训练，实现了89%的准确率、89%的敏感度和89%的特异度，优于传统机器学习模型，在资源有限的环境中展现出强大的可扩展性和低成本诊断潜力。

ABSTRACT

COVID-19 has affected more than 223 countries worldwide. There is a pressing need for non invasive, low costs and highly scalable solutions to detect COVID-19, especially in low-resource countries where PCR testing is not ubiquitously available. Our aim is to develop a deep learning model identifying COVID-19 using voice data recordings spontaneously provided by the general population (voice recordings and a short questionnaire) via their personal devices. The novelty of this work is in the development of a deep learning model for the identification of COVID-19 patients from voice recordings. Methods: We used the Cambridge University dataset consisting of 893 audio samples, crowd-sourced from 4352 participants that used a COVID-19 Sounds app. Voice features were extracted using a Mel-spectrogram analysis. Based on the voice data, we developed deep learning classification models to detect positive COVID-19 cases. These models included Long-Short Term Memory (LSTM) and Convolutional Neural Network (CNN). We compared their predictive power to baseline classification models, namely Logistic Regression and Support Vector Machine. Results: LSTM based on a Mel-frequency cepstral coefficients (MFCC) features achieved the highest accuracy (89%,) with a sensitivity and specificity of respectively 89% and 89%, The results achieved with the proposed model suggest a significant improvement in the prediction accuracy of COVID-19 diagnosis compared to the results obtained in the state of the art. Conclusion: Deep learning can detect subtle changes in the voice of COVID-19 patients with promising results. As an addition to the current testing techniques this model may aid health professionals in fast diagnosis and tracing of COVID-19 cases using simple voice analysis

研究动机与目标

• 开发一种非侵入性、低成本且可扩展的方法，利用普通人群的语音录音检测新冠肺炎。
• 评估深度学习模型（LSTM、CNN）与传统机器学习模型（逻辑回归、SVM）在基于语音数据分类新冠肺炎状态方面的性能表现。
• 识别在利用众包语音数据准确检测SARS-CoV-2感染时，最有效的语音特征和模型架构。
• 探讨在资源有限的环境中，语音分析作为PCR检测和快速抗原检测的补充工具的可行性。

提出的方法

• 通过COVID-19 Sounds应用程序从4,352名参与者处收集了893份语音样本，采用包含语音录音和自我报告健康数据的多模态数据集。
• 使用梅尔频谱图和梅尔频率倒谱系数（MFCCs）提取语音特征，以表征语音中的频谱和时间模式。
• 训练并比较了深度学习模型——长短期记忆网络（LSTM）和卷积神经网络（CNN）——用于新冠肺炎阳性与阴性病例的二分类任务。
• 使用人口统计学、症状和临床数据评估基线机器学习模型——逻辑回归和支持向量机（SVM）——以进行对比。
• 使用混淆矩阵、ROC曲线和AUC分数评估模型性能，重点关注敏感度、特异度和整体准确率。
• 基于验证指标和外部验证潜力，选择表现最佳的模型。

实验结果

研究问题

• RQ1 基于语音的深度学习模型能否利用众包语音数据以高敏感度和特异度检测新冠肺炎？
• RQ2 在MFCC特征上训练的LSTM模型在性能上与CNN、逻辑回归和SVM模型相比如何？
• RQ3 哪些语音特征（例如MFCCs、梅尔频谱图）在自发语音录音中对新冠肺炎状态最具预测性？
• RQ4 在资源有限的环境中，语音分析在多大程度上可作为PCR检测和快速抗原检测的可扩展、低成本替代方案？

主要发现

• 在MFCC特征上训练的LSTM模型在检测语音录音中的新冠肺炎方面表现最佳，整体准确率达到89%，敏感度为89%，特异度为89%。
• CNN模型表现出色，敏感度为80%，特异度为80%，表明其能有效从梅尔频谱图图像中学习特征。
• 逻辑回归和SVM模型表现较低但可接受，敏感度均为70%，特异度均为80%，凸显了传统模型在此任务上的局限性。
• LSTM模型的ROC曲线显示出较高的AUC，表明其在阳性与阴性病例之间具有强大的类别区分能力。
• 研究证实，深度学习模型，尤其是LSTM，能够检测出与SARS-CoV-2感染引起的呼吸功能障碍相关的细微语音变化。
• 结果表明，语音分析可作为一种可行的、非侵入性的、可扩展的工具，用于新冠肺炎的早期检测和接触追踪，尤其适用于缺乏PCR检测资源的环境。