COVID-19 (coronavirus disease 2019) pandemic caused by SARS-CoV-2 has led to a treacherous and devastating catastrophe for humanity. At the time of writing, no specific antivirus drugs or vaccines are recommended to control infection transmission and spread. The current diagnosis of COVID-19 is done by Reverse-Transcription Polymer Chain Reaction (RT-PCR) testing. However, this method is expensive, time-consuming, and not easily available in straitened regions. An interpretable and COVID-19 diagnosis AI framework is devised and developed based on the cough sounds features and symptoms metadata to overcome these limitations. The proposed framework's performance was evaluated using a medical dataset containing Symptoms and Demographic data of 30000 audio segments, 328 cough sounds from 150 patients with four cough classes ( COVID-19, Asthma, Bronchitis, and Healthy). Experiments' results show that the model captures the better and robust feature embedding to distinguish between COVID-19 patient coughs and several types of non-COVID-19 coughs with higher specificity and accuracy of 95.04 $\pm$ 0.18% and 96.83$\pm$ 0.18% respectively, all the while maintaining interpretability.
CoughTrigger: Earbuds IMU Based Cough Detection Activator Using An Energy-efficient Sensitivity-prioritized Time Series Classifier
Northwestern University（西北大学）；Samsung Research America（三星美国研究院）；Samsung Design Innovation Center（三星设计创新中心）
持续性咳嗽是泌尿系统相关疾病的主要症状。越来越多的研究关注使用可穿戴设备检测咳嗽，尤其是在COVID-19大流行期间。在所使用的所有类型的传感器中，麦克风最广泛地用于检测咳嗽。然而，处理音频信号所需的高功耗阻碍了在电池有限的商用可穿戴产品（例如耳塞）上进行连续的基于音频的咳嗽检测。我们提出了CoughTrigger，它利用耳塞中的低功耗传感器，惯性测量单元（IMU）作为咳嗽检测激活器，以触发用于音频处理和分类的高功率传感器。它能够以最小的电池消耗一直作为备用服务运行，并在从IMU检测到候选咳嗽时触发基于音频的咳嗽检测。此外，IMU的使用带来了改善咳嗽检测特异性的益处。在45名受试者上进行了实验，我们的基于IMU的模型在leave one subject out评价下获得了0.77的AUC得分。我们还验证了其在自由生活数据和设备上实施的有效性。
我们提出了一个基于深度学习的自动咳嗽分类器，可以区分结核病（TB）咳嗽与COVID-19咳嗽和健康咳嗽。结核病和COVID-19都是呼吸道疾病，具有传染性，咳嗽是主要症状，每年夺去数千人的生命。咳嗽音频记录是在室内和室外环境下收集的，并且还使用来自全球各地的受试者的智能手机上传，因此包含各种级别的噪音。该咳嗽数据包括来自47名TB患者、229名COVID-19患者和1498名健康患者的1.68小时的TB咳嗽、18.54分钟的COVID-19咳嗽和1.69小时的健康咳嗽，并用于训练和评估CNN、LSTM和Resnet 50。这三个深度架构也在2.14小时的喷嚏，2.91小时的语音和2.79小时的噪音上进行了预训练，以提高性能。通过使用SMOTE数据平衡技术和使用F1评分和AUC等性能指标来解决数据集中的类不平衡问题。我们的研究表明，对于两类（TB vs COVID-19）和三类（TB vs COVID-19 vs健康）咳嗽分类任务，预训练的Resnet 50分别实现了0.9259和0.8631的最高F1分数。深度迁移学习的应用提高了分类器的性能，并使它们更鲁棒，因为它们在交叉验证折叠上更好地泛化。其性能超过了世界卫生组织（WHO）制定的结核病分诊测试要求。产生最佳性能的特征包含更高阶的MFCC，这表明人耳无法感知TB和COVID-19咳嗽之间的差异。这种类型的咳嗽音频分类是非接触式的…
AI4COVID-19: AI Enabled Preliminary Diagnosis for COVID-19 from Cough Samples via an App
University of Oklahoma（俄克拉荷马大学）；AI4Lyf LLC（AI4Lyf有限责任公司）；Kharkiv National Medical University（哈尔科夫国立医科大学）；Michigan State University（密歇根州立大学）；Allergy, Asthma & Immunology Center PC（过敏、哮喘与免疫学中心PC）
Coswara: A website application enabling COVID-19 screening by analysing respiratory sound samples and health symptoms
Indian Institute of Science（印度科学学院）；Ramaiah Medical College Hospital（拉马亚医学院医院）；General Hospital, Hoskote（霍斯考特综合医院）；PSG Institute of Medical Sciences and Research（PSG医学科学与研究院）
Coswara: A respiratory sounds and symptoms dataset for remote screening of SARS-CoV-2 infection
Indian Institute of Science（印度科学学院）；Fraunhofer Institute of Integrated Circuits（弗劳恩霍夫集成电路研究所）；Ramaiah Medical College Hospital（拉马亚医学院医院）；General Hospital, Hoskote（霍斯科特综合医院）；PSG Institute of Medical Sciences and Research（PSG医学科学与研究学院）
A large-scale and PCR-referenced vocal audio dataset for COVID-19
London Centre for Nanotechnology, University College London（伦敦纳米技术中心，伦敦大学学院）；Division of Medicine, University College London（医学系，伦敦大学学院）；King's College London, UK（伦敦国王学院）；The Alan Turing Institute, UK（阿兰·图灵研究所）；Imperial College London, UK（帝国理工学院）；UK Health Security Agency, UK（英国卫生安全局）；Institute of Health Informatics, University College London, UK（健康信息学研究所，伦敦大学学院）；Centre for Stress and Age-Related Disease, School of Applied Sciences, University of Brighton, UK（布莱顿大学应用科学学院压力与年龄相关疾病中心）；University of Oxford, UK（牛津大学）；University of Surrey, UK（萨里大学）；University of Lancaster, UK（兰卡斯特大学）；University of Cambridge, UK（剑桥大学）；University of Augsburg, Germany（奥格斯堡大学）；University of Nottingham, UK（诺丁汉大学）
Telehealthcare and Telepathology in Pandemic: A Noninvasive, Low-Cost Micro-Invasive and Multimodal Real-Time Online Application for Early Diagnosis of COVID-19 Infection
University of Toronto（多伦多大学）；Khulna University of Engineering and Technology（库尔纳工程技术大学）；Islamic University of Technology（伊斯兰技术大学）；Bangladesh University of Business and Technology（孟加拉国商业与技术大学）
COVID-19 diagnosis by routine blood tests using machine learning
Smart Blood Analytics Swiss SA（智能血液分析瑞士公司）；Faculty of Computer and Information Science, University of Ljubljana（卢布尔雅那大学计算机与信息科学学院）；Faculty of Chemistry and Chemical Technology, University of Ljubljana（卢布尔雅那大学化学与化学技术学院）；University Medical Centre Ljubljana（卢布尔雅那大学医学中心）
