Deep Learning-Based Multi-Class Classification of Cough Sounds for Respiratory Disease Detection and Real-Time Screening
Notice bibliographique
Résumé
Respiratory illnesses like COVID-19, tuberculosis, and other lung conditions often show distinct cough patterns. Due of this, analyzing cough sounds is useful. It provides a non-invasive way to diagnose these conditions. This study introduces a deep learning framework that can classify cough sounds into seven categories which are: healthy, no_resp_illness_exposed, positive_asymp, positive_mild, positive_moderate, recovered _ full, and resp_illness_notjdentified. The dataset includes 2,277 confirmed real cough recordings. We processed the data by combining metadata, validating audio, and extracting features using Mel-Frequency Cepstral Coefficients (MFCCs). We trained a hybrid CNN-LSTM model, in which an overall accuracy of 55% and a weighted Fl-score of 0.50 is achieved. The healthy category had the best performance, reaching an F1 score of 0.73. While the classification accuracy for minority classes was moderate, the results show that cough acoustics offer significant diagnostic potential. To enhance user experience, we launched the trained model in a web application based on Streamlit. This lets users upload a cough recording or record audio directly. Predictions and confidence scores are available within seconds. This setup connects algorithm research to practical healthcare solutions. It provides a cost-effective, privacy-respecting, and an accessible tool for initial screening of respiratory illnesses. Future improvements will focus on balancing the dataset, enhancing key features, and implementing federated learning for privacy-conscious clinical use along with improved accuracy and confidence levels.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».