Ανάπτυξη μοντέλων μηχανικής μάθησης για την ανίχνευση της νόσου COVID-19 μέσω ηχητικών καταγραφών αναπνοής

Abstract

Στο πλαίσιο της παρούσας διπλωματικής εργασίας αναπτύσσονται μοντέλα μηχανικής και βαθιάς μάθησης για την ανίχνευση της νόσου COVID-19, χρησιμοποιώντας ηχητικές καταγραφές αναπνοής. Η πανδημία της νόσου Covid-19 έχει έναν τεράστιο αντίκτυπο στην παγκόσμια υγεία και οικονομία και η ανάγκη για έναν εναλλακτικό τρόπο διάγνωσης είναι επιτακτική. Για το σκοπό αυτό εφαρμόζονται τεχνικές μη επιβλεπόμενης μηχανικής μάθησης (k-means, DBSCAN, Spectral Clustering, Hierarchical Clustering και Meanshift) για τον εντοπισμό και την κατηγοριοποίηση των κορυφών σε εισπνοές, εκπνοές ή θόρυβο. Η διαδικασία προ-επεξεργασίας περιλαμβάνει το φιλτράρισμα για την αφαίρεση θορύβου, τη λογαριθμική συμπίεση, τον υπολογισμό έντασης από το φασματόγραμμα και την αναγνώριση κορυφών στην κυματομορφή της έντασης μετά την χρήση φίλτρου Gauss. Για την ανάπτυξη του μοντέλου ανίχνευσης της νόσου COVID-19 υιοθετείται μια υβριδική προσέγγιση βασισμένη στη χρήση συνελικτικού νευρωνικού δικτύου που τροφοδοτείται με φασματογράμματα και μοντέλου XGBoost που δέχεται ως είσοδο μέσες διάρκειες εισπνοών, εκπνοών και συνολικών αναπνοών. Για την ανάπτυξη και την αξιολόγηση του μοντέλου χρησιμοποιείται το πληθοποριστικό σύνολο δεδομένων SMARTY4COVID. Το σύνολο δεδομένων κρίθηκε περιορισμένο και μη ισορροπημένο ένω σε πολλές περιπτώσεις ο θόρυβος και ελλιπής καταγραφή των αναπνοών δυσκόλεψαν τη διαδικασία.