Ein generatives, KI-basiertes Framework für COVID-19-Screening anhand von Husten-Audiosignalen

Zusammenfassung

Diese Studie schlägt ein generatives, KI-basiertes Framework vor, das GANs, VAEs und aufmerksamkeitsbasierte tiefe Faltungsnetzwerke integriert, um COVID-19 anhand von Husten-Audiosignalen zu erkennen und so die Robustheit, Datenbilanz und die Verallgemeinerung von Datensätzen für skalierbares, nicht-invasives Screening zu verbessern.

Zusammenfassung

Husten-Audioanalyse bietet einen praktischen Weg zur Entwicklung automatisierter Werkzeuge zur Unterstützung des COVID-19-Screenings. Trotz wachsendem Interesse bleiben viele bestehende Ansätze empfindlich gegenüber Rauschen, Klassenungleichgewicht und Datensatzvariabilität, was ihre Reproduzierbarkeit einschränkt. Diese Arbeit präsentiert eine strukturierte, generative, künstliche-Intelligenz-gesteuerte Methodik zur COVID-19-Erkennung mithilfe von Hustentonaufnahmen. Die Experimente werden mit zwei öffentlich zugänglichen Datensätzen durchgeführt, COUGHVID und Virufy, die beide beschriftete Hustenproben enthalten. Das vorgeschlagene Protokoll besteht aus aufeinanderfolgenden Vorverarbeitungsschritten, einschließlich Hustensegmentierung, Entschädigung und Signalnormalisierung. Akustische Eigenschaften werden dann durch Mel-Frequenz-Cepstralkoeffizienten, Chroma-Deskriptoren und spektrale Kontrastmerkmale erfasst. Um das Repräsentationslernen zu verbessern und Datenungleichgewichte zu mindern, wird ein hybrides generatives Framework verwendet, das Variational Autoencoders und Generative Adversarial Networks integriert, um Feature-Level-Stichproben zu synthetisieren. Die Klassifikation erfolgt anschließend mit Deep Convolutional Neural Networks und aufmerksamkeitsbasierten DCNN-Modellen. Leistungsbewertung zeigt, dass die Einbindung generativer Augmentation konsequent gegenüber nicht-generativen Baselines verbessert und eine Spitzenklassifikationsgenauigkeit von 97,2 % sowie einen AUROC von 0,953 über die bewerteten Datensätze hinweg erreicht. Diese Ergebnisse zeigen die Wirksamkeit generativer Modellierung zur Verbesserung der hustenbasierten COVID-19-Erkennung und schaffen eine reproduzierbare analytische Pipeline für zukünftige Forschung zur Überwachung der akustischen Gesundheit.

Einleitung

Die Atemakustik wird zunehmend als nicht-invasive Informationsquelle für die Gesundheitsbewertung erforscht, insbesondere im Zusammenhang mit Infektions- und Lungenerkrankungen. Fortschritte in der Signalverarbeitung und künstlicher Intelligenz (KI) haben eine automatisierte Analyse von Husten- und Atemgeräuschen ermöglicht und deren Nutzung als digitale Biomarker unterstützt. Jüngste Studien zeigen, dass Atemgeräusche, die mit Mikrofonen in Smartphones, tragbaren Geräten oder klinischen Sensoren aufgenommen werden, effektiv mit Deep-Learning-Modellen analysiert werden können, um eine COVID-19-Infektion ^1,5 zu erkennen. Diese Entwicklungen unterstreichen das Potenzial des audiobasierten Screenings als schnelle, kontaktlose und skalierbare Ergänzung zu herkömmlichen diagnostischen Verfahren. Die Coronavirus-Krankheit 2019 (COVID-19), verursacht durch das SARS-CoV-2-Virus, betrifft hauptsächlich das Atmungssystem und verursacht messbare Veränderungen in der Luftstromdynamik, der Lungenfunktion und dem Verhalten der Stimmgänge. Obwohl die Reverse Transcription–Polymerase-Kettenreaktion (RT-PCR)-Tests weiterhin der Referenzstandard für die Diagnose sind, begrenzen ihre logistischen Einschränkungen und die verzögerte Bearbeitungszeit ihre Eignung für groß angelegte oder kontinuierliche Screening, was die Suche nach alternativen Ansätzen auf Basis der Atemschallanalyse motiviert.

Eine wachsende Literatur hat die KI-gesteuerte COVID-19-Erkennung mittels Husten-, Atem- und Sprachsignalen untersucht. Wie in Tabelle 1 zusammengefasst, haben frühere Studien vielfältige Datensätze, akustische Merkmalsrepräsentationen (z. B. MFCC, STFT, spektrogrammbasierte Merkmale) und Lernparadigmen untersucht, die von klassischen Machine-Learning-Modellen bis hin zu tiefen konvolutionalen, rekurrenten, aufmerksamkeitsbasierten und Transformatorarchitekturen reichen 8,9,10,11,12,13,14,15 ^,16,17,18,19,20,21,22,23,24,25,26,27˒43,44,45. Mehrere Arbeiten haben vielversprechende Screening-Leistungen unter Verwendung von Crowdsourcing und klinisch gesammelten Atemaudio-Tests nachgewiesen. Im Gegensatz dazu betonten andere die Bedeutung von Transfer Learning, Datenaugmentation und erklärbarer KI zur Verbesserung von Robustheit und Vertrauenswürdigkeit. Anstatt eine detaillierte Studie für Studie zu wiederholen, bietet Tabelle 1 einen konsolidierten vergleichenden Überblick über diese repräsentativen Ansätze, der einen direkten Vergleich von Datensätzen, Methodologien und berichteten Ergebnissen ermöglicht.

Trotz dieser Fortschritte behindern mehrere Einschränkungen die Robustheit und praxisnahe Anwendbarkeit bestehender Ansätze. Aspiratorische Audiodatensätze werden häufig unter heterogenen Aufzeichnungsbedingungen erhoben, was zu erheblicher Variabilität zwischen Geräten, akustischen Umgebungen und Testpopulationen führt ^2,3,4. Viele öffentlich zugängliche Datensätze basieren auf selbstgemeldetem COVID-19-Status, was Unsicherheiten bei der Label-Zuverlässigkeit⁷ verursacht. Darüber hinaus schränken ein ausgeprägtes Klassenungleichgewicht und die begrenzte Verfügbarkeit klinisch validierter Stichproben die Verallgemeinerungsfähigkeit diskriminierender Modelle ein, die ausschließlich auf beobachteten Daten basieren ^4,5. Folglich führt die unter kontrollierten experimentellen Umgebungen gemeldete Modellleistung nicht konsequent zu einer zuverlässigen Implementierung in verschiedenen realen Szenarien.

Zusammen zeigen diese Einschränkungen eine kritische Forschungslücke: das Fehlen eines einheitlichen Rahmens, das gleichzeitig Datenknappheit, Klassenungleichgewicht und robuste Verallgemeinerungen über heterogene Datensätze hinweg adressiert. Obwohl generative Modelle wie Generative Adversarial Networks (GANs) und Variational Autoencoders (VAEs) erforscht wurden, um latente Repräsentationen zu erlernen und realistische biomedizinische Signale ^6,7 zu synthetisieren, verwenden bestehende Studien diese Modelle typischerweise unabhängig und bewerten sie in einem einzigen Datensatz. Darüber hinaus ist ihre Integration mit aufmerksamkeitsverstärkten konvolutionellen Architekturen und die Bewertung unter Datensatz-übergreifenden Bedingungen weiterhin unzureichend untersucht.

Um diese Lücke zu schließen, schlägt die vorliegende Studie einen generativen, KI-unterstützten Rahmen zur Erkennung von COVID-19 durch Hustengeräusche vor, der akustische Merkmalsextraktion mit einem hybriden GAN–VAE-Modell und aufmerksamkeitsbasierten tiefen konvolutionellen neuronalen Netzen (DCNNs) integriert. Die generative Komponente mindert Klassenungleichgewicht und begrenzte Stichprobenverfügbarkeit durch strukturiertes latentes Repräsentationslernen und Generierung synthetischer Daten, während die diskriminativen Modelle die Klassifikationsrobustheit über heterogene Datensätze hinweg verbessern. Im Gegensatz zu früheren Arbeiten, die überwiegend auf Validierung innerhalb des Datensatzes basieren, wird das vorgeschlagene Framework mittels Cross-Dataset-Tests auf einem unabhängigen Datensatz bewertet, was eine rigorosere Bewertung der Verallgemeinerungsleistung ermöglicht. Das Framework ist als screeningorientierter Ansatz gedacht und nicht als eigenständiges Diagnosewerkzeug, und sein Design berücksichtigt explizit die Erfassung von Variabilität und Labelunsicherheit, um eine reproduzierbare und zuverlässige Implementierung zu unterstützen.

In diesem Zusammenhang sind die neuartigen Beiträge der vorliegenden Studie dreifach. Erstens ist ein einheitliches GAN–VAE-hybrides generatives Framework mit aufmerksamkeitsbasierten DCNN-Klassifikatoren integriert, um gemeinsam Klassenungleichgewichte, begrenzte Datenverfügbarkeit und robustes Merkmalsrepräsentationslernen im hustenbasierten COVID-19-Screening zu adressieren. Zweitens wird der vorgeschlagene Ansatz systematisch mittels Cross-Dataset-Validierung evaluiert, was eine realistischere Bewertung der Modellverallgemeinerung im Vergleich zu herkömmlichen In-Dataset-Tests bietet. Drittens präsentiert die Studie eine detaillierte Analyse der Auswirkungen generativer Augmentation unter heterogenen Aufzeichnungsbedingungen und positioniert damit das Rahmenwerk als reproduzierbaren Proof-of-Concept für skalierbares, praktisches COVID-19-Screening.

Autor(en) & Jahr	Datensätze	Verwendete Techniken / Funktionen	Modell / Klassifikator	Genauigkeit / Kennzahlen	Einschränkungen / Anmerkungen
Imran et al., 20208	Crowdsourceter Hustendatensatz (AI4COVID-19)	MFCC, Transfer Learning, domänenbewusste Funktionen	Risikoaverser Multiklassifikator (DL + ML-Ensemble)	Genauigkeit: 92,6 %	Abhängig von der Qualität des Hustens; Begrenzte klinische Validierung
Brown et al., 20209	Crowdsourced Atemgeräusche (>7.000 Nutzer)	Handgefertigte Audio-Features, VGGish-Embeddings	Flache ML-Modelle	AUC > 80 %	Label-Rauschen in Crowdsourcing-Daten
Laguarta et al., 202010	MIT Open Voice Datensatz (5.320 Testpersonen)	MFCC, akustische Biomarker	CNN (ResNet50, Transfer Learning)	Sensitivität: 98,5 %, Spezifität: 94,2 %	Erfordert einen großen Vortrainingsdatensatz
Quartieri et al., 202011	Sprachinterviews (5 Personen, vor/nach COVID)	Atemintensität, F0, CPP, Formanten	Statistische Effektgrößenanalyse	Erreichen Sie einen AUC von über 80 % in allen Aufgaben	Sehr kleine Stichprobengröße
Hassan et al., 202012	Atemgeräusche	Merkmale der temporalen Sprache	RNN	Husten: 97%, Atem: 98,2%, Stimme: 88,2%	Mangel an detaillierten Datensatzstatistiken
Khamparia et al., 201913	ESC-10, ESC-50	Spektrogramm-bildbasierte Funktionen	CNN, TDSN	CNN: 77 % (ESC-10), 49 % (ESC-50); TDSN: 56 % (ESC-10)	Nur Umgebungsgeräusche; Geringere Leistung bei komplexen Datensätzen
Aykanat et al., 201714	17.930 Lungengeräusche von 1.630 Probanden (elektronisches Stethoskop)	MFCC-Merkmale, Spektrogrammbilder	SVM, CNN	CNN/SVM: 86 % (gesund vs. pathologisch), 76 %/75 % (Rale–Rhonchus–normal), 80 %/80 % (Einzeltyp), 62 %/62 % (alle Typen)	Erfordert spezielle Hardware; nicht krankheitsspezifisch
Ponomarchuk et al., 202215	Coswara, Virufy	MFCC, Mel-Spektrogramm, Wavelet-Funktionen	CNN, RNN, Ensemble-Modelle	AUC: 0,93 (intern), 0,79 (extern)	Die Verallgemeinerung über Datensätze hinweg bleibt eine Herausforderung
Feng et al., 202116	Coswara, Virufy	STFT, MFCC	SVM (RBF), CNN	Genauigkeit 81,25 % (AUC von 0,79)	Datensatzabhängige Leistung
Islam et al., 202217	Klinische Hustenaufnahmen	Spektral- und Zeit-Frequenz-Merkmale	Tiefe neuronale Netze	Genauigkeit: 89,2 %	Begrenzter Datensatz
Manshouri,2022 18	Virufy	Eigenschaften der Spektralanalyse	Klassische ML-Klassifikatoren	Genauigkeit: 95,86 %	Kleinmaßstäbliche experimentelle Studie
Huang et al., 202019	Lungengeräusche von 10 COVID-19-Patienten	Zeit-Frequenz-Atemschallanalyse	Klinische Expertenanalyse	Qualitative Validierung	Kleiner Datensatz; kein ML-Modell
W. D. Puja et al., 2024,20	Coswara, Virufy (hust-Laut-Datensätze)	STFT, Mel-Spektrogramm, MFCC, RMS-Energie, spektrale Bandbreite, spektraler Schwerpunkt, spektraler Roll-off, ZCR; CNN-basierte Tiefenfeature-Extraktion	1D CNN (Feature-Extractor) + Random Forest	Genauigkeit: 93 %	Die Leistung hängt von der Qualität des Hustens ab; für das Screening und nicht für klinische Diagnosen konzipiert; Variabilität durch crowdsourcte Daten
Chadaga et al., 202321	Crowdsourced Husten-Audioaufnahmen	Mel-Spektrogramm- und Zeit-Frequenz-akustische Merkmale	Konvolutionales neuronales Netzwerk (CNN)	Genauigkeit: 84 %, Präzision: 85 %, Rückruf: 84 %, F1-Wert: 84 %	Die Leistung wird durch Datenungleichgewichte, selbstberichtete Labels und Sensibilität gegenüber Aufzeichnungsbedingungen begrenzt
Chadaga et al., 202322	Leichte bis moderate COVID-19- und andere klinische Marker für Atemwegserkrankungen	Auswahl der Ausstattung (Pearson, PSO); Wichtige Marker: Eosinophil, Albumin, T. Bilirubin, ALP, ALT, AST, HbA1c, TWBC	Gestapeltes Ensemble; 1D CNN, LSTM, DNN, Residual-MLP	Genauigkeit: 89 %	Schwere Fälle ausgeschlossen; alternativ zu RT-PCR; erklärbare KI angewandt
Dar et al. 202423	COVID-19-Datensatz	SJHBO-Optimierung (Jaya+HBO+SO), viele spektrale Merkmale	Deep Q Netzwerk (DQN)	Genauigkeit: 95,11 %, Sensitivität: 95,06 %, Spezifität: 94,69 %	Hohe Komplexität; Die Abstimmung wird durch einen hybriden Optimierer verbessert
Jing Quian et al. 202024	Sprachaufnahmen von COVID-19-Patienten	Akustik-Ausstattungssets; Analyse der Schwere der Erkrankung, Schlafqualität, Müdigkeit und Angst	Support Vector Machines (SVM)	0,69 (Schwere der Krankheit)	Beschränkt auf Audio-Features; moderate Genauigkeit; Datensatzgröße nicht angegeben; Nur vier gesundheitliche Aspekte wurden berücksichtigt
Sharma, J., et al. 202025	UrbanSound8K, ESC-10, ESC-50	Multifunktionskanäle: MFCC, GFCC, CQT, Chromagram; Vermischungs-Datenaugmentation	Tiefes CNN mit räumlich separablen Faltungen und Aufmerksamkeitsmodulen	UrbanSound8K: 97,52 %, ESC-10: 94,75 %, ESC-50: 87,45 %	Nicht an Nicht-Benchmark- oder realen Datensätzen getestet; Rechenkomplexität aufgrund tieferer CNN- und Aufmerksamkeitsmodule
Lella KK et al. 202126	Atemgeräusche; COVID-19, Asthma, gesund)	Datenaufstockung; Tiefe Funktionen mit Data De-noising Auto Encoder (DDAE) statt MFCC	1D Konvolutionales Neuralnetzwerk (1D CNN)	~90 %	Begrenzte Datensatzdetails; ~4 % Verbesserung gegenüber MFCC; Generalisierbarkeit, die nicht getestet wird
Orlandic et al., 202127	HUSTEN (25.000+ Husten)	MFCCs, PSD, Spektral- und Zeitmerkmale	XGBoost	AUC 96,5 %, Präzision 95,5 %	Selbst berichtete COVID; Experten-Labels auf Teilmenge
Zhang et al., 202343	Veröffentlichte Fallberichte zu HLH nach COVID-19-Impfung (Literaturdatenbanken)	Systematische Übersicht; klinische Merkmalaggregation; Molekulare Andockanalyse	Nicht anwendbar (klinische Übersicht)	Deskriptive Statistik; Klinische Ergebnisse	Analyse seltener Ereignisse; kleine Stichprobengröße; Die Abhängigkeit von gemeldeten Fällen kann zu einem Meldefehler führen
Xu et al., 202344	Berichtete Fälle von impfassoziierter VKH-Erkrankung aus der Literatur	Rückblickende Fallübersicht; Klinische und bildgebende Merkmalsanalyse	Nicht anwendbar (klinische Beobachtungsstudie)	Behandlungsreaktion und klinische Genesungsergebnisse	Begrenzte Anzahl von Fällen; fehlende Kontrollgruppe; Kausale Zusammenhänge können nicht fest festgestellt werden
Hu et al., 202545	Firmenebene Mutter-Tochter-Daten von SRDI-Medizinprodukteunternehmen in China (Qixinbao-Datenbank)	Analyse sozialer Netzwerke; räumliche Netzwerkmetriken; Geographische Detektoranalyse	Nicht anwendbar (Netzwerk- und Richtlinienanalyse)	Netzwerkdichte, Zentralität, Diffusionsindizes	Querschnittsdesign; gleichmäßige Gewichtung der Unternehmen; Keine direkten Leistungs- oder klinischen Ergebniskennzahlen

Tabelle 1: Zusammenfassung bestehender COVID-19-Audio-basierten Detektionsstudien. Vergleichender Überblick über frühere Husten-/Audio-Screening-Ansätze, einschließlich Datensätzen, Methoden und berichteter Leistung. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

Protokoll

Vorgeschlagene Methodik

Diese Studie schlägt einen generativen, KI-basierten Rahmen zur Erkennung von COVID-19 anhand von Hustensignalen vor. Das Framework integriert generative Modelle mit diskriminierenden Klassifikatoren, wobei Trainings- und Evaluationsdaten strikt getrennt bleiben. Abbildung 1 zeigt die detaillierte Architektur des vorgeschlagenen GAN–VAE–ADCNN-Frameworks und zeigt den Fluss von Audio-Vorverarbeitung und Feature-Extraktion über latentes Repräsentationslernen über einen Variational Autoencoder (VAE), synthetische Feature-Generierung mit einem Generative Adversarial Network (GAN) und die endgültige Klassifikation mit Deep Convolutional Neural Networks (DCNN) und Attention-based DCNN (ADCNN). Die Abbildung zeigt, dass generative Komponenten nur während des Trainings verwendet werden, während die Klassifikation mit diskriminativen Modellen durchgeführt wird.

Abbildung 1: Überblick über die GAN–VAE–ADCNN-Architektur. Schematisch der vorgeschlagenen hybriden Pipeline, bei der hustenbasierte akustische Merkmale mit einem VAE codiert, durch GAN-basierte synthetische Sample-Generierung ergänzt und mit DCNN- und aufmerksamkeitsbasierten DCNN-(ADCNN)-Modellen klassifiziert werden. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Modellarchitektur und Implementierung

Die in diesem Rahmen verwendeten generativen und diskriminierenden Modelle wurden mit festen und reproduzierbaren Architekturen implementiert. Das GAN besteht aus einem Generator mit drei vollständig verbundenen Schichten (128, 256 und 512 Einheiten) mit ReLU-Aktivierung und einem Diskriminator mit drei vollständig verbundenen Schichten (512, 256 und 128 Einheiten) mit LeakyReLU-Aktivierung, gefolgt von einem Sigma-Ausgang.

Der VAE-Encoder besteht aus zwei vollständig verbundenen Schichten mit 256 und 128 Einheiten, gefolgt von der Schätzung des latenten Mittelwerts und der Varianz mit einer latenten Dimension von 64. Der Decoder spiegelt diese Struktur wider und wird mit einer Kombination aus Rekonstruktionsverlust und Kullback–Leibler-Divergenz trainiert, um einen strukturierten und probabilistischen latenten Raum zu lernen.

Der DCNN-Klassifikator umfasst vier Faltungsblöcke mit 3x3-Kernen sowie 32, 64, 128 bzw. 256 Filtern. Auf jeden Block folgt eine Batch-Normalisierung, eine ReLU-Aktivierung und ein 2x2-Max-Pooling. Das ADCNN erweitert das DCNN, indem es nach dem finalen Faltungsblock einen kanalweisen Aufmerksamkeitsmechanismus einführt. Alle Modelle wurden mit dem Adam-Optimierer optimiert, mit einer Lernrate von 0,0001 und einer Batchgröße von 32. Wie in Abbildung 1 gezeigt, operieren VAE und GAN nur während der Ausbildung, während DCNN und ADCNN für die Klassifizierung verwendet werden. Das vollständige Trainings- und Bewertungsverfahren ist in Algorithmus 1 zusammengefasst.

Algorithmus 1: GAN–VAE-basierter COVID-19-Nachweisrahmen

Eingabe: Vorverarbeitete Husten-Audioaufnahmen

Ausgabe: Binärklassifizierungsetikett (COVID-19 positiv/negativ)

Die Ausbildungs- und Evaluationsverfahren folgten einer festen, reproduzierbaren Pipeline. Alle Husten-Audioaufnahmen wurden auf 16 kHz neu abgetastet, Rauschunterdrückung unterzogen und die Amplitude normalisiert. Die Aufnahmen wurden in Segmente mit fester Länge unterteilt, aus denen MFCC, Chroma und spektrale Merkmale extrahiert wurden. Aus jedem Audiosegment wurden insgesamt 40 Mel-Frequenz-Cepstralkoeffizienten (MFCCs) extrahiert. Zusätzlich wurden 12 Chroma-Merkmale berechnet. Die resultierende Darstellung bildet für jedes Hustensegment einen 52-dimensionalen Merkmalsvektor. Es wurde eine Subjektebene-Aufteilung durchgeführt, um die Daten in Trainings-, Validierungs- und Testsets zu unterteilen. Der VAE wurde darauf trainiert, probabilistische latente Darstellungen zu lernen, und die daraus resultierenden latenten Vektoren wurden verwendet, um das GAN für die Generierung synthetischer Merkmalsmerkmale zu trainieren. Der Trainingsdatensatz wurde mithilfe von GAN–VAE erzeugter Stichproben erweitert, während synthetische Daten von der Validierung und Prüfung ausgeschlossen wurden. DCNN- und ADCNN-Klassifikatoren wurden mit den erweiterten Trainingsdaten trainiert, und die Endbewertung erfolgte an der ausgewiesenen Testreihe unter Verwendung standardisierter Leistungskennzahlen.

Trainingsaufbau, Datenaufteilung und Leckvermeidung

Alle Experimente wurden mit einer festen, reproduzierbaren Trainingskonfiguration durchgeführt. Die Datenaufteilung wurde auf Subjektebene vor der Audiosegmentierung durchgeführt, um Datenlecks zu verhindern. Der Datensatz wurde in Trainings-, Validierungs- und Testsets im Verhältnis 80:10:10 unterteilt, sodass alle Segmente derselben Aufzeichnung einer einzigen Teilmenge zugeordnet wurden. Der Trainingssatz wurde für Modelllernen und generative Datenerweiterung verwendet, der Validierungssatz für Hyperparameter-Tuning und frühes Stoppen, und der Testsatz wurde für die endgültige Leistungsbewertung bereitgestellt. Synthetische Proben, die vom GAN–VAE-Rahmen generiert wurden, wurden ausschließlich während der Ausbildung verwendet und streng von der Validierung und Prüfung ausgeschlossen, um eine faire Bewertung zu gewährleisten.

Die Modelle wurden für maximal 100 Epochen trainiert, mit frühzeitigem Stoppen aufgrund von Validierungsverlust und einer Geduld von 10 Epochen. Die Optimierung erfolgte mit dem Adam-Optimierer mit einer Lernrate von 0,0001 und einer Batchgröße von 32. Binäre Kreuzentropieverluste wurden für die Klassifikation angewendet, während Rekonstruktion und Adversarialverluste zum Training der VAE- bzw. GAN-Komponenten verwendet wurden. Dieses einheitliche Trainings- und Bewertungsprotokoll gewährleistet die Reproduzierbarkeit, verhindert Datenverluste und sorgt für eine strikte Trennung zwischen Trainings- und Evaluierungsphasen.

Datensatzbeschreibung

Zwei öffentlich zugängliche Husten-Audio-Datensätze – COUGHVID und Virufy – wurden verwendet, um eine großflächige akustische Vielfalt mit klinisch referenzierten Labels auszubalancieren, mit klar getrennten Rollen in Training und Evaluation.

COUGHVID ist eine durch die Crowdsourcing erstellte Sammlung von Hustenaufnahmen mit teilweisen Expertenannotationen und selbstberichteten Metadaten. Um die Datenqualität zu gewährleisten, wurden 428 Aufnahmen nach Anwendung vordefinierter Qualitätskontrollkriterien ausgewählt, darunter minimale Signaldauer, angemessenes Signal-Rausch-Verhältnis, Entfernung beschädigter oder mehrdeutiger Proben sowie das Vorhandensein identifizierbarer Hustenanfälle mit Symptommetadaten. Nach der Vorverarbeitung und Segmentierung ergaben diese Aufnahmen 1.719 Hustensegmente, die auf das WAV-Format mit einer Abtastrate von 16 kHz standardisiert wurden. COUGHVID wurde verwendet, um sowohl die generativen Modelle als auch die diskriminativen Klassifikatoren zu trainieren.

Virufy besteht aus von Ärzten überwachten Hustenaufnahmen, die als RT-PCR positiv oder negativ auf COVID-19 gekennzeichnet sind. Alle 16 verfügbaren Aufnahmen waren enthalten, was nach der Segmentierung zu 234 Hustensegmenten führte, ebenfalls standardisiert auf 16 kHz. Virufy wurde ausschließlich für externe Cross-Dataset-Bewertung zur Bewertung der Generalisierungsleistung verwendet und nicht für Training, Feinabstimmung oder generative Augmentation.

Der vorgeschlagene Rahmen sollte daher als Proof-of-Concept-Screening-Ansatz interpretiert werden, der unter kontrollierten experimentellen Bedingungen bewertet wird, und nicht als klinisch validiertes Diagnosesystem.

Datenvorverarbeitung und Segmentierung

Alle Aufnahmen wurden auf 16 kHz neu abgetastet, in Mono umgewandelt und der Stillstandsentfernung, spektraler Rauschreduktion und Amplitudennormalisierung unterzogen. Die Segmentierung erfolgte nach der Aufteilung auf Subjektebene, um Datenlecks zu verhindern. Jede Aufnahme wurde in überlappende 2–4 Segmente unterteilt, und niedrigenergetischen oder stummen Segmente wurden verworfen.

Externes Validierungsprotokoll

Die externe Validierung erfolgte durch Datensatzüberprüfung. Modelle, die mit COUGHVID trainiert wurden, wurden mit Virufy zur externen Validierung evaluiert. Dieses Protokoll bewertet die Verallgemeinerung über Datensätze, die unter verschiedenen Bedingungen gesammelt wurden, anstatt auf prospektive klinische Validierung. Abbildung 2 bietet einen protokollübergreifenden Überblick über diesen Workflow und veranschaulicht die Nutzung von Datensätzen, die Vorverarbeitung, die Feature-Extraktion, das Training von Klassifikatoren und die Evaluationsszenarien. Während Abbildung 1 sich auf die interne Modellarchitektur konzentriert, legt Abbildung 2 den Schwerpunkt auf experimentelles Design und Datenfluss über Trainings- und Testphasen hinweg.

Abbildung 2: Arbeitsablauf des vorgeschlagenen COVID-19-Hustenscreening-Frameworks. Illustration der vollständigen Verarbeitungspipeline, einschließlich Vorverarbeitung, Merkmalsextraktion (MFCC, Chroma, spektrale Merkmale), GAN–VAE-basiertes Darstellungslernen und -augmentation (nur Training) sowie die endgültige Klassifikation unter subjektebenerder Aufteilung und Datensatz-übergreifender Bewertung. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Ergebnisse

Analyse der Datensatzzusammensetzung und der Klassenverteilung

Nach der Vorverarbeitung und Segmentierung zeigten die COUGHVID- und Virufy-Datensätze erhebliche Unterschiede sowohl in der Datensatzgröße als auch in der Segmentdichte. COUGHVID steuerte 428 von 444 Aufzeichnungen (96,4 %) und 1.719 von 1.953 extrahierten Hustensegmenten (88,0 %) bei, was seine Rolle als primärer Datensatz für Modelltraining und generative Augmentation bestätigt ...

Diskussion

Die Ergebnisse zeigen, dass das vorgeschlagene generative, KI-basierte Framework COVID-19 anhand von Hustensignalen über heterogene Datensätze hinweg erkennen kann. Wie in Tabelle 4 und Tabelle 6 gezeigt, erzielte das GAN–VAE-Hybridmodell die beste Leistung mit 97,2 % Genauigkeit und einem AUROC von 0,953 sowie hoher Präzision, Rückruf, F1-Wert und Spezifität, was auf eine ausgewogene Klassifikationsleistung hinweist.

Die Leis...

Materialien

Liste der in diesem Artikel verwendeten Materialien

Name	Unternehmen	Katalognummer	Kommentare
COUGHVID-Datensatz	&Eakut; Cole Polytechnique Fé d&eakut; rale de Lausanne (EPFL)	Öffentliche Veröffentlichung (2021)	Crowdsourceter Husten-Audio-Datensatz mit selbstberichteten Metadaten und teilweisen Annotation des Arztes; hauptsächlich für Schulungen und Datenerweiterungen verwendet.
CUDA-Toolkit	NVIDIA	11.3	GPU-Beschleunigungsrahmenwerk, das verwendet wird, um Modelltraining und Inferenz zu beschleunigen.
LibROSA	Open Source	0.9	Audioanalysebibliothek wird für Resampling, Segmentierung, MFCC-Extraktion und Berechnung spektraler Merkmale verwendet.
Linux-Betriebssystem	Kanonisch	Ubuntu 20.04 LTS	Betriebssystem, das für alle Experimente und Modelltrainings verwendet wird.
Matplotlib	Open Source	3.5	Visualisierungsbibliothek, die zur Darstellung von Datensatzverteilungen und Auswertungsergebnissen verwendet wird.
NumPy	Open Source	1.21	Numerische Bibliothek, die für Array-Manipulation und Signalverarbeitung verwendet wird.
NVIDIA GPU	NVIDIA	Tesla / RTX-Klasse	Grafikverarbeitungseinheit, die zum Training von tiefen und generativen Modellen verwendet wird.
Python-Programmiersprache	Python Software Foundation	3.8	Kernprogrammierumgebung, die für Datenvorverarbeitung, Feature-Extraktion, Modellentwicklung und -auswertung verwendet wird.
PyTorch	Meta (Facebook AI Research)	1.12	Deep-Learning-Framework, das zur Implementierung von GAN-, VAE-, DCNN- und aufmerksamkeitsbasierten DCNN-Modellen verwendet wird.
Scikit-learn	Open Source	1	Maschinelle Lernbibliothek wird für Datenaufteilung, Klassengewichtung und Leistungsmetrikberechnung verwendet.
SciPy	Open Source	1.7	Wissenschaftliche Rechenbibliothek, die für Audio-Vorverarbeitung und Signaltransformationen verwendet wird.
Virufy-Datensatz	Virufy	Öffentliche Veröffentlichung (2021)	Klinisch gesammelte Hustenaufnahmen mit RT-PCR– überprüfte COVID-19-Kennzeichnungen; ausschließlich für externe Validierung und Datensatz-Bewertung verwendet.