Генеративная AI-структура для скрининга COVID-19 по аудиосигналам кашля

Краткое содержание

В данном исследовании предлагается генеративная структура на базе ИИ, интегрирующая GAN, VAE и глубокие сверточные сети, основанные на внимание, для обнаружения COVID-19 по аудиосигналам кашля, повышая устойчивость, баланс данных и обобщение межнаборов данных для масштабируемого, неинвазивного скрининга.

Аннотация

Аудиоанализ кашля предоставляет практический путь для разработки автоматизированных инструментов для поддержки скрининга заболеваний COVID-19. Несмотря на растущий интерес, многие существующие подходы остаются чувствительными к шуму, дисбалансу классов и вариабельности наборов данных, что ограничивает их воспроизводимость. В этой работе представлена структурированная методология обнаружения COVID-19 на основе генеративного искусственного интеллекта с использованием аудиозаписей кашля. Эксперименты проводятся с использованием двух общедоступных наборов данных — COUGHVID и Virufy, оба из которых содержат маркированные образцы кашля. Предлагаемый протокол состоит из последовательных этапов предварительной обработки, включая сегментацию кашля, снятие шума и нормализацию сигнала. Акустические характеристики затем фиксируются с помощью коэффициентов цепстральных частот Mel, хрома-дескрипторов и спектральных контрастных особенностей. Для улучшения преподавания представления и смягчения дисбаланса данных используется гибридная генеративная структура, интегрирующая вариационные автоэнкодеры и генеративные состязательные сети для синтеза выборок на уровне признаков. Далее классификация выполняется с использованием моделей глубоких сверточных нейронных сетей и DCNN на основе внимания. Оценка эффективности показывает, что внедрение генеративного дополнения стабильно улучшается по сравнению с негенеративными базовыми показателями, достигая максимальной точности классификации 97,2% и AUROC 0,953 по оценённым наборам данных. Эти результаты демонстрируют эффективность генеративного моделирования для улучшения обнаружения COVID-19 на основе кашля и создают воспроизводимый аналитический канал для будущих исследований в области мониторинга акустического здоровья.

Введение

Респираторная акустика всё чаще рассматривается как неинвазивный источник информации для оценки здоровья, особенно в контексте инфекционных и легочных заболеваний. Достижения в обработке сигналов и искусственном интеллекте (ИИ) позволили автоматизировать анализ кашля и дыхательных звуков, поддерживая их использование в качестве цифровых биомаркеров. Недавние исследования показывают, что дыхательные звуки, зафиксированные с помощью микрофонов, встроенных в смартфоны, носимые устройства или клинические сенсоры, могут быть эффективно проанализированы с помощью моделей глубокого обучения для обнаружения инфекции^{COVID-19 1,5}. Эти достижения подчёркивают потенциал аудиоскрининга как быстрого, бесконтактного и масштабируемого дополнения к традиционным диагностическим процедурам. Коронавирусная болезнь 2019 года (COVID-19), вызванная вирусом SARS-CoV-2, в первую очередь поражает дыхательные пути и вызывает измеримые изменения в динамике воздушного потока, функции лёгких и поведении голосовых трактов. Хотя тестирование на обратную транскрипцию–полимеразную цепную реакцию (RT-ПЦР) остаётся эталоном для диагностики, его логистические ограничения и задержка времени выполнения ограничивают пригодность для масштабного или непрерывного скрининга, что стимулирует изучение альтернативных подходов на основе анализа респираторных звуков.

Всё больше публикаций изучают выявление COVID-19 с помощью искусственного интеллекта с помощью сигналов кашля, дыхания и речи. Как изложено в Таблице 1, предыдущие исследования изучали разнообразные наборы данных, акустические представления признаков (например, MFCC, STFT, признаки на основе спектрограммы) и парадигмы обучения — от классических моделей машинного обучения до глубоких сверточных, повторяющихся, ориентированных на внимание и трансформерных архитектур 8,9,10,11,12,13,14,15 ^,16,17,18,19,20,21,22,23,24,25,26,27˒43,44,45. Несколько работ продемонстрировали перспективные результаты скрининга, используя краудсорсинговые и клинически собранные респираторные аудиозаписи. В отличие от этого, другие подчёркивали важность трансферного обучения, расширения данных и объяснимого ИИ для повышения надёжности и надёжности. Вместо повторения подробного обсуждения по исследованию, Таблица 1 предоставляет обобщённый сравнительный обзор этих репрезентативных подходов, что позволяет напрямую сравнивать наборы данных, методологии и опубликованные результаты.

Несмотря на эти достижения, ряд ограничений ограничивает устойчивость и практическую применимость существующих подходов. Респираторные аудиоданные часто собираются при гетерогенных условиях записи, что приводит к значительной вариативности между устройствами, акустическими средами и популяциями^{испытуемых 2,3,4}. Многие общедоступные наборы данных опираются на самосообщенный статус COVID-19, что вводит неопределённость в надёжности^{этикеток 7}. Кроме того, выраженный дисбаланс классов и ограниченная доступность клинически валидированных образцов ограничивают возможности обобщения дискриминативных моделей, обученных исключительно на наблюдаемых^{данных 4,5}. Следовательно, производительность модели, отражаемая в контролируемых экспериментальных условиях, не всегда гарантирует надёжное внедрение в различных реальных сценариях.

В совокупности эти ограничения выявляют критический пробел в исследованиях: отсутствие единой структуры, которая одновременно решает дефицит данных, классовый дисбаланс и надёжное обобщение между гетерогенными наборами данных. Хотя генеративные модели, такие как Generative Adversarial Networks (GANs) и Variational Autoencoders (VAE), изучались для изучения латентных представлений и синтеза реалистичных биомедицинских^{сигналов 6,7}, существующие исследования обычно используют эти модели независимо и оценивают их в рамках единого набора данных. Кроме того, их интеграция с вниманительной сверточной архитектурой и оценкой в условиях межнабора данных остаётся недостаточно изученной.

Для устранения этого пробела в данном исследовании предлагается генеративная рамка с помощью ИИ для обнаружения COVID-19 по звукам кашля, которая интегрирует выделение акустических признаков с гибридной моделью GAN–VAE и глубокими сверточными нейросетями на основе внимания (DCNN). Генеративный компонент смягчает классовый дисбаланс и ограниченную доступность выборок за счёт обучения структурированному латентному представлению и синтетической генерации данных, в то время как дискриминативные модели повышают устойчивость классификации между гетерогенными наборами данных. В отличие от предыдущих работ, которые в основном опирались на валидацию внутри набора данных, предлагаемая структура оценивается с помощью кросс-датасет-тестирования на независимом наборе данных, что позволяет более строго оценивать результаты обобщения. Фреймворк предназначен как подход, ориентированный на скрининг, а не как отдельный диагностический инструмент, и её дизайн явно учитывает фиксацию вариативности и неопределённости меток для поддержки воспроизводимого и надёжного развертывания.

В этом контексте новые вклады настоящего исследования тройные. Во-первых, интегрирован единый гибридный генеративный фреймворк GAN–VAE с классификаторами DCNN на основе внимания для совместного устранения дисбаланса классов, ограниченной доступности данных и надёжного обучения представлению признаков в скрининге COVID-19 на основе кашля. Во-вторых, предлагаемый подход систематически оценивается с помощью кросс-датасетовой валидации, обеспечивая более реалистичную оценку обобщения модели по сравнению с традиционным тестированием внутри наборов данных. В-третьих, исследование представляет собой подробный анализ влияния генеративного усиления в гетерогенных условиях записи, что позиционирует структуру как воспроизводимый доказательство концепции масштабируемого, практического скрининга COVID-19.

Автор(ы) и год	Наборы данных(ов)	Используемые техники / особенности	Модель / Классификатор	Точность / Метрики	Ограничения / Примечания
Имран и др., 20208	Краудсорсинговый набор данных по кашлю (AI4COVID-19)	MFCC, трансферное обучение, функции с учётом предметной области	Избегающий риска мультиклассификатор (ансамбль DL + ML)	Точность: 92,6%	Зависит от качества кашля; Ограниченная клиническая валидация
Браун и др., 20209	Краудсорсинговые респираторные звуки (>7 000 пользователей)	Ручные аудиофункции, встроенные VGGish	Поверхностные модели машинного обучения	AUC > 80%	Шум меток в краудсорсинговых данных
Лагуарта и др., 202010	Набор данных MIT Open Voice (5 320 участников)	MFCC, акустические биомаркеры	CNN (ResNet50, трансферное обучение)	Чувствительность: 98,5%, специфичность: 94,2%	Требуется большой набор данных предварительного обучения
Quartieri и др., 202011	Интервью по речи (5 предметов, до/после COVID)	Интенсивность дыхания, F0, CPP, форманты	Статистический анализ размеров эффекта	достичь AUC выше 80% по всем задачам	Очень маленький размер выборки
Hassan и др., 202012	Дыхательные звуки	Временные особенности речи	RNN	Кашель: 97%, дыхание: 98,2%, голос: 88,2%	Отсутствие подробной статистики наборов данных
Khamparia и др., 201913	ESC-10, ESC-50	Особенности на основе изображений спектрограммы	CNN, TDSN	CNN: 77% (ESC-10), 49% (ESC-50); TDSN: 56% (ESC-10)	Только звуки окружения; низкая производительность на сложных наборах данных
Айканат и др., 201714	17 930 лёгких звуков от 1 630 испытуемых (электронный стетоскоп)	Особенности MFCC, изображения спектрограммы	SVM, CNN	CNN/SVM: 86% (здоровые против патологических), 76%/75% (рале–ронхус–нормальный), 80%/80% (один тип), 62%/62% (все типы)	Требуется специализированное оборудование; не специфические для болезни
Ponomarchuk и др., 202215	Косвара, Вируфи	MFCC, мел-спектрограмма, вейвлет-признаки	CNN, RNN, ансамблевые модели	AUC: 0.93 (внутренний), 0.79 (внешний)	Обобщение между наборами данных остаётся сложным
Фэн и др., 202116	Косвара, Вируфи	STFT, MFCC	SVM (RBF), CNN	Точность 81,25% (AUC 0,79)	Производительность, зависящая от набора данных
Ислам и др., 202217	Клинические записи кашля	Спектральные и временно-частотные особенности	Глубокие нейронные сети	Точность: 89,2%	Ограниченный набор данных
Маншури,2022 18	Virufy	Особенности спектрального анализа	Классические классификаторы машинного обучения	Точность: 95,86%	Экспериментальное исследование малого масштаба
Хуанг и др., 202019	Звуки лёгких от 10 пациентов с COVID-19	Анализ дыхательных звуков по времени-частоте	Клинический экспертный анализ	Качественная валидация	Небольшой набор данных; нет модели машинного обучения
W. D. Puja и др., 202420	Coswara, Virufy (наборы звуков кашля)	STFT, Mel-спектрограмма, MFCC, энергия RMS, спектральная полоса пропускания, спектральный центроид, спектральный откат, ZCR; Глубокое извлечение признаков на основе CNN	1D CNN (экстрактор особенностей) + Случайный лес	Точность: 93%	Производительность зависит от качества кашля; разработан для скрининга, а не для клинической диагностики; Вариабельность данных, собранных краудсорсингом
Чадага и др., 202321	Аудиозаписи от кашля, собранные краудсорсингом	Мел-спектрограмма и временно-частотные акустические особенности	Сверточная нейронная сеть (CNN)	Точность: 84%, Точность: 85%, Отзыв: 84%, F1-результат: 84%	Производительность ограничена дисбалансом данных, самооценочными метками, чувствительностью к условиям записи
Чадага и др., 202322	Лёгкие и умеренные клинические маркеры COVID-19 и других респираторных заболеваний	Выбор полнометражных фильмов (Пирсон, PSO); Ключевые маркеры: эозинофил, альбумин, T. билирубин, ALP, ALT, AST, HbA1c, TWBC	Насыщенный ансамбль; 1-Й CNN, LSTM, DNN, остаточный MLP	Точность: 89%	За исключением тяжёлых случаев; альтернатива RT-PCR; Применённый объяснимый ИИ
Дар и др. 202423	Набор данных по COVID-19	Оптимизация SJHBO (Jaya+HBO+SO), множество спектральных признаков	Deep Q Network (DQN)	Точность: 95,11%, чувствительность: 95,06%, специфичность: 94,69%	Высокая сложность; настройка улучшается с помощью гибридного оптимизатора
Цзин Цюянь и др. 202024	Записи речи пациентов с COVID-19	Акустические наборы функций; Анализ тяжести заболевания, качества сна, усталости, тревожности	Поддерживающие векторные машины (SVM)	0,69 (тяжесть болезни)	Ограничено аудиоматериалами; умеренной точности; размер набора данных не указан; Рассмотрено только четыре аспекта здоровья
Sharma, J., и др. 202025	UrbanSound8K, ESC-10, ESC-50	Многофункциональные каналы: MFCC, GFCC, CQT, Chromagram; Дополнение данных по пути	Глубокий CNN с пространственно разделяемыми свертками и модулями внимания	UrbanSound8K: 97,52%, ESC-10: 94,75%, ESC-50: 87,45%	Не тестировалось на небенчмарковых или реальных наборах данных; вычислительная сложность из-за более глубоких модулей CNN и внимания
Lella KK и др. 202126	Дыхательные звуки; COVID-19, астма, здоровье)	дополнение данных; глубокие функции с использованием автоматического кодера (DDAE) вместо MFCC	1D сверточная нейронная сеть (1D CNN)	~90%	Ограниченные детали набора данных; ~4% улучшение по сравнению с MFCC; обобщаемость, не проверенная
Orlandic и др., 202127	COUGHVID (25k+ кашляет)	MFCC, PSD, спектральные и временные особенности	XGBoost	AUC 96,5%, Precision 95,5%	Самосообщал о COVID; Экспертные метки на подмножестве
Чжан и др., 2023,43	Опубликованные отчёты о случаях HLH после вакцинации против COVID-19 (базы данных литературы)	Систематический обзор; агрегирование клинических признаков; Анализ молекулярного стыковки	Не применимо (клинический обзор)	Описательная статистика; Клинические результаты	Анализ редких событий; небольшая выборка; Опора на зарегистрированные случаи может привести к предвзятости в отчетности
Сюй и др., 2023,44	Зарегистрированные случаи заболевания VKH, ассоциированной с вакциной, согласно литературе	Ретроспективный обзор дела; Клинический и визуализационный анализ признаков	Не применимо (клиническое наблюдательное исследование)	Ответ на лечение и результаты клинического восстановления	Ограниченное количество дел; отсутствие контрольной группы; Причинно-следственная связь не может быть твердо установлена
Ху и др., 2025,45	Данные материнских и дочерних компаний SRDI в Китае (база данных Qixinbao) на уровне материнских и дочерних компаний SRDI (база данных Qixinbao)	анализ социальных сетей; метрики пространственных сетей; Анализ географических детекторов	Не применимо (анализ сети и политики)	Плотность сети, центральность, индексы диффузии	Поперечное проектирование; равный вес фирм; Нет прямых показателей эффективности или клинических результатов

Таблица 1: Сводка существующих аудиоисследований обнаружения COVID-19. Сравнительный обзор предыдущих методов скрининга кашля и аудио, включая наборы данных, методы и отчётную эффективность. Пожалуйста, нажмите здесь, чтобы скачать эту таблицу.

Протокол

Предлагаемая методология

В данном исследовании предлагается генеративная система на базе ИИ для выявления COVID-19 по сигналам кашля. Фреймворк интегрирует генеративные модели с дискриминативными классификаторами, при этом данные обучения и оценки строго разделяются. Рисунок 1 иллюстрирует подробную архитектуру предлагаемого фреймворка GAN–VAE–ADCNN, показывая поток от аудиопредобработки и извлечения признаков через обучение латентным представлениям с помощью вариационного автоэнкодера (VAE), синтетическую генерацию признаков с помощью генеративной состязательной сети (GAN) и окончательную классификацию с помощью глубоких сверточных нейронных сетей (DCNN) и DCNN на основе внимания (ADCNN). На рисунке видно, что генеративные компоненты используются только во время обучения, тогда как классификация выполняется с помощью дискриминативных моделей.

Рисунок 1: Обзор архитектуры GAN–VAE–ADCNN. Схема предлагаемого гибридного конвейера, где акустические особенности, полученные от кашля, кодируются с помощью VAE, дополняются генерацией синтетических образцов на основе GAN и классифицируются с использованием моделей DCNN и DCNN на основе внимания (ADCNN). Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Архитектура и реализация модели

Генеративные и дискриминативные модели, используемые в этом фреймворке, были реализованы с фиксированными и воспроизводимыми архитектурами. GAN состоит из генератора с тремя полностью соединёнными слоями (128, 256 и 512 единиц), использующими активацию ReLU, и дискриминатора с тремя полностью соединёнными слоями (512, 256 и 128 единиц), использующими активацию LeakyReLU, за которой следует сигмоидный выход.

Кодировщик VAE состоит из двух полностью связанных слоёв с 256 и 128 единицами, за которыми следует оценка латентного среднего и дисперсии с латентной размерностью 64. Декодер отражает эту структуру и обучается с использованием комбинации реконструкционных потерь и дивергенции Куллбака–Лейблера для изучения структурированного и вероятностного латентного пространства.

Классификатор DCNN включает четыре сверточных блока с ядрами 3x3 и соответственно 32, 64, 128 и 256 фильтрами. За каждым блоком следуют пакетная нормализация, активация ReLU и пулинг 2x2 максимум. ADCNN расширяет DCNN, внедряя механизм внимания по каналам после финального сверточного блока. Все модели оптимизировались с помощью оптимизатора Адама с скоростью обучения 0,0001 и размером партии 32. Как показано на рисунке 1, VAE и GAN работают только во время обучения, в то время как DCNN и ADCNN используются для классификации. Полная процедура обучения и оценки изложена в Алгоритме 1.

Алгоритм 1: Фреймворк обнаружения COVID-19 на основе GAN–VAE

Вводные данные: Предварительно обработанные аудиозаписи кашля

Результаты: Бинарная классификационная метка (положительный/отрицательный COVID-19)

Процедуры обучения и оценки следовали фиксированному, воспроизводимому процессу. Все аудиозаписи кашля были пересэмплированы до 16 кГц, подвергались снижению шума и нормализации амплитуды. Записи были разделены на сегменты фиксированной длины, из которых извлекались MFCC, хрома и спектральные особенности. Из каждого аудиосегмента было извлечено всего 40 Mel-Frequency Cepstral Cocopencial (MFCC). Кроме того, было вычислено 12 хрома-признаков. Полученное представление образует 52-мерный вектор признаков для каждого сегмента кашля. Для разделения данных на обучающие, валидационные и тестовые наборы проводились на уровне субъекта. VAE был обучен изучению вероятностных латентных представлений, и полученные латентные векторы использовались для обучения GAN генерации синтетических признаков. Обучающий набор данных дополнялся с помощью образцов, генерируемых GAN–VAE, в то время как синтетические данные были исключены из валидации и тестирования. Классификаторы DCNN и ADCNN были обучены на дополненных обучающих данных, а итоговая оценка проводилась на текущем тестовом наборе с использованием стандартных показателей производительности.

Настройка обучения, разделение данных и предотвращение утечек

Все эксперименты проводились с фиксированной, воспроизводимой тренировочной конфигурацией. Разделение данных проводилось на уровне субъекта перед сегментацией аудио, чтобы предотвратить утечку данных. Набор данных был разделён на обучающий, валидационный и тестовый наборы в соотношении 80:10:10, что гарантировало, что все сегменты одной записи были распределены в одно подмножество. Обучающий набор использовался для обучения моделей и генеративного дополнения данных, валидационный набор — для настройки гиперпараметров и ранней остановки, а тестовый набор — для окончательной оценки производительности. Синтетические образцы, созданные по фреймворку GAN–VAE, использовались исключительно во время обучения и строго исключались из валидации и тестирования для обеспечения справедливой оценки.

Модели тренировались максимум для 100 эпох, с ранней остановкой на основе потери валидации и терпения 10 эпох. Оптимизация проводилась с помощью оптимизатора Адама с скоростью обучения 0,0001 и размером пакета 32. Для классификации применялись бинарные потери перекрестной энтропии, а реконструкционные и состязательные потери — для обучения компонентов VAE и GAN соответственно. Этот унифицированный протокол обучения и оценки обеспечивает воспроизводимость, предотвращает утечку данных и строго разделяет этапы обучения и оценки.

Описание набора данных

Два общедоступных аудионабора данных по кашлю — COUGHVID и Virufy — использовались для балансирования масштабного акустического разнообразия с клинически ссылающимися метками, с чётко разделёнными ролями в обучении и оценке.

COUGHVID — это краудсорсинговая коллекция записей кашля с частичными экспертными аннотациями и метаданными, предоставленными самостоятельно. Для обеспечения качества данных было выбрано 428 записей с применением заранее заданных критериев контроля качества, включая минимальную продолжительность сигнала, достаточное соотношение сигнал/шум, удаление повреждённых или неоднозначных образцов, а также наличие идентифицируемых случаев кашля с метаданными симптомов. После предварительной обработки и сегментации эти записи получили 1 719 сегментов кашля, стандартизированных в формате WAV с частотой дискретизации 16 кГц. COUGHVID использовался для обучения как генеративных моделей, так и дискриминативных классификаторов.

Virufy состоит из записей кашля под наблюдением врача, помеченных как RT-PCR положительный или отрицательный на COVID-19. Все 16 доступных записей были включены, в результате чего после сегментации появилось 234 сегмента кашля, также стандартизированные до 16 кГц. Virufy использовался исключительно для внешней оценки кросс-наборов данных с целью оценки эффективности обобщения и не применялся для обучения, тонкой настройки или генеративного дополнения.

Таким образом, предлагаемую структуру следует интерпретировать как метод скрининга с подтверждением концепции, оцениваемый в контролируемых экспериментальных условиях, а не как клинически валидированную диагностическую систему.

Предварительная обработка и сегментация данных

Все записи были передискретированы до 16 кГц, преобразованы в моно и подвергались удалению тишины, снижению спектрального шума и нормализации амплитуды. Сегментация проводилась после разделения на уровне субъекта для предотвращения утечки данных. Каждая запись делилась на перекрывающиеся сегменты по 2–4 s, а низкоэнергетические или беззвучные сегменты отбрасывались.

Внешний протокол валидации

Внешняя валидация проводилась с помощью кросс-датасетовой оценки. Модели, обученные на COUGHVID, были оценены на Virufy для внешней валидации. Этот протокол оценивает обобщение между наборами данных, собранными при различных условиях, а не для перспективной клинической валидации. Рисунок 2 даёт обзор этого рабочего процесса на уровне протокола, иллюстрирует использование наборов данных, предварительную обработку, извлечение признаков, обучение классификаторов и сценарии оценки. В то время как рисунок 1 сосредоточен на внутренней архитектуре модели, рисунок 2 акцентирует внимание на экспериментальном проектировании и передаче данных на этапах обучения и тестирования.

Рисунок 2: Рабочий процесс предлагаемой системы скрининга кашля на COVID-19. Иллюстрация полного процесса обработки, включая предобработку, извлечение признаков (MFCC, хрома, спектральные признаки), обучение и дополнение представлений на основе GAN–VAE (только обучение), а также итоговую классификацию в рамках разделения на уровне субъекта и кросс-датасетовой оценки. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Результаты

Состав наборов данных и анализ распределения классов

После предварительной обработки и сегментации наборы данных COUGHVID и Virufy показали значительные различия как в масштабе набора данных, так и в плотности сегментов. COUGHVID внесла вклад в 428 из 444 записей (96,4%) и 1 719 из 1 953 экстракционных сегментов кашля (88,0%), подтверждая его роль как основного набора данных для обучения моделей и генеративного усиления (с...

Обсуждение

Результаты показывают, что предлагаемая генеративная структура на базе ИИ может обнаруживать COVID-19 по сигналам кашля в гетерогенных наборах данных. Как показано в таблицах 4 и 6, гибридная модель GAN–VAE показала наилучшие результаты — точность 97,2% и AUROC 0,953, а также высокую точность, отзыв, F1-балл и специфичность, что указывает на сбалансированную классификацию.

Производительность стабильно улучшалась при объединени...

Материалы

Список материалов, использованных в этой статье

Имя	Компания	Каталожный номер	Комментарии
Набор данных COUGHVID	и острые; Cole Polytechnique Fé DÉ rale de Lausanne (EPFL)	Публичный релиз (2021)	Краудсорсинговый аудионабор данных по кашлю с метаданными и частичными аннотациями врачей; Используется преимущественно для обучения и пополнения данных.
Набор инструментов CUDA	NVIDIA	11.3	Фреймворк ускорения GPU используется для ускорения обучения и вывода моделей.
LibROSA	Открытый исходный код	0.9	Библиотека аудиоанализа, используемая для ресэмплинга, сегментации, экстракции MFCC и вычисления спектральных признаков.
Операционная система Linux	Канонический	Ubuntu 20.04 LTS	Операционная система используется для всех экспериментов и обучения моделей.
Matplotlib	Открытый исходный код	3.5	Библиотека визуализации, используемая для построения графиков распределений наборов данных и результатов оценки.
NumPy	Открытый исходный код	1.21	Библиотека численных вычислений, используемая для обработки массивов и операций обработки сигналов.
Видеокарта NVIDIA	NVIDIA	Класс Tesla / RTX	Графический процессор, используемый для обучения глубоких и генеративных моделей.
Язык программирования Python	Фонд программного обеспечения Python	3.8	Основная среда программирования, используемая для предварительной обработки данных, извлечения признаков, разработки моделей и оценки.
PyTorch	Meta (Facebook AI Research)	1.12	Фреймворк глубокого обучения, используемый для реализации моделей GAN, VAE, DCNN и ориентированных на внимание DCNN.
Scikit-learn	Открытый исходный код	1	Библиотека машинного обучения, используемая для разделения данных, взвешивания классов и вычисления метрик производительности.
SciPy	Открытый исходный код	1.7	Научная вычислительная библиотека, используемая для предварительной обработки аудио и преобразования сигналов.
Набор данных Virufy	Virufy	Публичный релиз (2021)	Клинически собранные записи кашля с помощью RT-PCR– проверенные метки COVID-19; используется исключительно для внешней валидации и оценки межсетов данных.