یک رویکرد تشخیص بیماری کووید ۱۹ بر اساس تحلیل صدای سرفه با یادگیری عمیق مبتنی بر شبکه عصبی Convolutional Neural Networks و Long short-term memory

مﻘدمه: تشخیص ویروس کووید-۱۹ با سنجش های موجود مانند RT-PCR کند و حساس به شرایط هستند که مشکلاتی را به ویژه در محیط های با منابع کم ایجاد می کنند. یک روش برای تحلیل صدای سرفه بیماران بکارگیری هوش مصنوعی و یادگیری عمیق برای تشخیص بیماری کووید-۱۹  است. مواد و روشها:  در این مقاله یک روش تشخیص بیماری کووید ۱۹ بر اساس تجزیه و تحلیل صدای سرفه بیماران ارایه شده است. در فاز اول سیگنالهای سرفه به تصاویر طیف نگار تبدیل می­شود. در مرحله بعدی ویژگی­های مکانی با شبکه عصبی کانولوشن بهبود یافته با الگوریتم بهینه ­سازی کوآتی استخراج می­شود و نقش الگوریتم بهینه ­سازی کوآتی بهینه ­سازی فراپارامترهای  CNNاست. در مرحله بعدی الگوریتم بهینه ­سازی محاسبات ریاضی برای انتخاب ویژکی استفاده می­ شود و در نهایت از LSTM  برای طبقه ­بندی  نمونه ­ها به بدخیم و خوش خیم استفاده می­شود. یافتهها: آزمایشات نشان می­ دهد در مجموعه داده CHRSD روش پیشنهادی به دقت، حساسیت و صحت ۷۲/۹۵%، ۴۱/۹۳% و ۷۵/۹۱% رسیده است.  در مجموعه داده Cambridge دقت، حساسیت و صحت روش پیشنهادی ۲۶/۹۸%، ۷۳/۹۷% و ۹۲/۹۷% است و مجموعه داده COUGHVID دقت، حساسیت و صحت روش پیشنهادی ۸۳/۹۸%، ۲۹/۹۷% و ۶۸/۹۷% است. بحث و نتیجهگیری: نتایج نشان می دهد دقت روش پیشنهادی در تشخیص بیماری کووید ۱۹ از CNNs, DNNs, and LSTMs بیشتر است. مزیت مهم روش پیشنهادی عدم نیاز به آزمایشات هزینه بر مانند PCR است. یک مزیت مهم روش پیشنهادی، امکان پیاده سازی آن به عنوان یک برنامه تحت گوشی های هوشمند برای تشخیص بیماری کووید ۱۹ است.

کلیدواژه ها:

COVID-۱۹ ، Cough sound analysis ، Deep learning ، Lung infection ، Signal processing ، Swarm intelligence ، عفونتهای ریه ، کووید ۱۹ ، پردازش سیگنال ، یادگیری عمیق ، هوش گروهی