COVID-19 detection from optimized features of breathing audio signals using explainable ensemble machine learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The automatic detection of COVID-19 using smartphone-recorded breathing signals in a ubiquitous and non-invasive way holds great promise. However, achieving accurate detection is challenging due to breathing signals' noisy and non-stationary nature, lack of distinguishable features, and imbalanced COVID/non-COVID data scenarios. This paper proposes an explainable ensemble learning-based framework for COVID-19 detection that extracts features from breathing signals through multiresolution analysis. First, we extract 165-dimensional features from the decomposed coefficients of a two-level discrete wavelet transformed (DWT) signal. From these, 27 optimized features are selected using the Recursive Feature Elimination with Cross-Validation (RFECV) technique. The level-2 DWT decomposed approximation coefficients retain frequencies in the 0–150 Hz range, aligning with human breathing frequencies. We utilize an ensemble model comprising decision trees, random forests, gradient boost, and XGBoost classifiers with a majority voting strategy for the detection task. A balanced and augmented dataset is prepared using the publicly available Coswara dataset. The results show that the ensemble approach improves accuracy compared to the individual models. Further, we explore the model's interpretability using Shapley additive explanations values, finding that the model places primary importance on features such as the RMS value, higher pitch of short-time Fourier transform, and higher frequency components of the Mel spectrogram, which align well with known COVID-related breathing characteristics. A comparison with related works demonstrates the effectiveness of our proposed feature extraction and ensemble framework, achieving an accuracy of 97.5 % and specificity of 95.24 %. These findings can potentially support smartphone-based COVID-19 detection applications using breathing signals.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle