Ανάπτυξη μοντέλων μηχανικής μάθησης για την αναγνώριση Covid-19 μέσω ηχητικών καταγραφών

Abstract

Η πανδημία COVID-19 έδωσε το έναυσμα για την ανάπτυξη καινοτόμων λύσεων σε πολλούς τεχνολογικούς τομείς, ανοίγοντας δρόμους στην ανάπτυξη ανασταλτικών μέσων για την καταπολέμηση της παγκόσμιας εξάπλωσης της. Η Τεχνητή Νοημοσύνη (AI) και η Μηχανική Μάθηση (ML) αναπόφευκτα παίζουν πρωτεύοντα ρόλο στην αντιμετώπιση των προκλήσεων που θέτει ο COVID-19, επιταχύνοντας την έρευνα, ενισχύοντας με διαγνωστικά εργαλεία τη διάγνωση και τελικά προσφέροντας λύσεις στην φαρέτρα των επιστημόνων. Η παρούσα διπλωματική εργασία πραγματεύεται την ανάπτυξη μοντέλων μηχανικής μάθησης για τη διάγνωση της Covid-19 μέσω ηχητικών καταγραφών βήχα. Συγκεκριμένα, αναπτύσσεται πρόγραμμα εκπαίδευσης ταξινομητών με αρθρωτή δομή στη γλώσσα Python με στόχο την αναζήτηση της καλύτερης συνδυαστικής ρύθμισης υπερπαραμέτρων εξαγωγής χαρακτηριστικών για τους τύπους ταξινομητών Logistic Regression, K-Nearest Neighbors και Multi-layer Perceptron. Για την εξαγωγή χαρακτηριστικών χρησιμοποιούνται η μέθοδος MFCCs, Spectral Centroid, Spectral Roll-off και Zero-Crossing Rate. Για την εκπαίδευση και αξιολόγηση των ταξινομητών χρησιμοποιούνται οι βάσεις δεδομένων SmartyforCovid, και Coswara. Τα αποτελέσματα καταδεικνύουν την ικανότητα των επιλεχθέντων μοντέλων να διακρίνουν αποτελεσματικά τα πάσχοντα με COVID-19 άτομα, καθώς και τη σημασία της σωστής επιλογής συνδυασμού χαρακτηριστικών για το έργο αυτό.