$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

기침 소리의 다양한 변환을 통한 코로나19 진단 모델
A COVID-19 Diagnosis Model based on Various Transformations of Cough Sounds 원문보기

지능정보연구 = Journal of intelligence and information systems, v.29 no.3, 2023년, pp.57 - 78  

김민경 ((주)데이터월드) ,  김건우 (한밭대학교 융합경영학과) ,  최근호 (한밭대학교 융합경영학과)

초록
AI-Helper 아이콘AI-Helper

2019년 11월 중국 우한시에서 발병한 코로나19는 2020년 중국을 넘어 세계로 퍼져나가 2020년 3월에는 전 세계적으로 확산되었다. 코로나19와 같이 전염성이 강한 바이러스는 예방과 확진시 적극적인 치료도 중요하지만 우선 전파 속도가 빠른 바이러스인 점을 감안할 때, 확진 사실을 재빠르게 파악하여 전파를 차단하는 것이 더욱 중요하다. 그러나 감염여부를 확인하기 위한 PCR검사는 비용과 시간이 많이 소요되고, 자가키트검사 또한 접근성은 쉽지만 매번 수시로 받기에는 키트의 가격이 부담이 될 수밖에 없는 실정이다. 이러한 상황에서 기침 소리를 기반으로 코로나19 양성 여부를 판단할 수 있게 된다면 누구나 쉽게 언제, 어디서든 확진 여부를 체크할 수 있어 신속성과 경제성 측면에서 큰 장점을 가질 수 있을 것이다. 따라서 본 연구는 기침 소리를 기반으로 코로나19 확진 여부를 식별할 수 있는 분류 모델을 개발하는 것을 목적으로 하였다. 이를 위해, 본 연구에서는 먼저 MFCC, Mel-Spectrogram, Spectral contrast, Spectrogram 등을 통해 기침 소리를 벡터화 하였다. 이 때, 기침 소리의 품질을 위해 SNR을 통해 잡음이 많은 데이터는 삭제하였고, chunk를 통해 음성 파일에서 기침 소리만 추출하였다. 이후, 추출된 기침 소리의 feature를 이용하여 코로나 양성과 음성을 분류하기 위한 모델을 구축하였으며, XGBoost, LightGBM, FCNN 알고리즘을 통해 모델 학습을 수행하고 각 알고리즘별 성능을 비교하였다. 또한, 기침 소리를 다차원 벡터로 변환한 경우와, 이미지로 변환한 경우에 대해 모델 성능에 대한 비교 실험을 수행하였다. 실험 결과, 건강상태에 대한 기본정보와 기침 소리를 MFCC, Mel-Spectogram, Spectral contrast, 그리고 Spectrogram을 통해 다차원 벡터로 변환한 feature를 모두 활용한 LightGBM 모델이 0.74의 가장 높은 정확도를 보였다.

Abstract ▼ AI-Helper 아이콘AI-Helper

COVID-19, which started in Wuhan, China in November 2019, spread beyond China in 2020 and spread worldwide in March 2020. It is important to prevent a highly contagious virus like COVID-19 in advance and to actively treat it when confirmed, but it is more important to identify the confirmed fact qui...

주제어

#코로나19   #기침 소리  

표/그림 (24)

참고문헌 (43)

  1. 김가혜, 이소현. (2022). 코로나 전후 행복 이슈？변화 분석 및 행복 증진 방안 연구. 지능정보？연구, 28(3), 81-103. 

  2. 손명진. (2022). 기침소리 데이터를 이용한 COVID-19？감염자 진단. 상명대학교 석사학위논문. 

  3. 오상우. (2019). 인공지능 기반의 음성분석을 통한？우울증, 불안증, 조기치매, 또는 자살 징후？조기판별 시스템. 특허등록번호: 10-2041848. 

  4. 유성주, 김재윤. (2022). 기침 파형 패턴을 활용한？COVID-19 확진자 식별 딥러닝 모델. 한국통신학회 동계종합학슬발표회, 1299-1300. 

  5. 유소연, 임규건. (2021). 텍스트 마이닝과 의미？네트워크 분석을 활용한 뉴스 의제 분석:？코로나 19 관련 감정을 중심으로. 지능정보？연구, 27(1), 47-64. 

  6. 이예진. (2022). 기침 소리를 이용한 COVID-19？진단에 최적화된 feature들 제안. 상명대학교？석사학위논문. 

  7. 이혜빈, 박현진. (2021). 기침 음성 데이터를 이용한 COVID-19 분류. 대한전자공학회 하계학술대회논문집, 1701-1703. 

  8. 정연길, 서수민, 강현민. (2022). 토픽 모델링을？활용한 코로나19 초기 생활체육 이슈 분석.？지능정보연구, 28(3), 57-79. 

  9. 최혜진. (2022). VGG16모델을 활용한 코로나 진단에 관한 연구. 한양대학교 석사학위논문. 

  10. Abeyratne, U. R., Swarnkar, V., Setyati, A., &？Triasih, R. (2013). Cough sound analysis can？rapidly diagnose childhood pneumonia. Annals？of Biomedical Engineering, 41(11), 2448-2462. 

  11. Alqudaihi, K. S., Aslam, N., Khan, I. U.,？Almuhaideb, A. M., Alsunaidi, S. J., Ibrahim,？N. M. A. R., ... & Alshahrani, M. S. (2021).？Cough sound detection and diagnosis using？artificial intelligence techniques: challenges and？opportunities. Ieee Access, 9, 102327-102344. 

    상세보기

  12. Amrulloh, Y., Abeyratne, U., Swarnkar, V.,？& Triasih, R. (2015). Cough sound analysis？for pneumonia and asthma classification in？pediatric population. In 2015 6th International？Conference on Intelligent Systems, Modelling？and Simulation, Kuala Lumpur, Malaysia,？127-131. 

  13. Brown, C., Chauhan, J., Grammenos, A., Han, J.,？Hasthanasombat, A., Spathis, D., Xia, T., Cicuta,？P., & Mascolo, C. (2020). Exploring automatic？diagnosis of COVID-19 from crowdsourced？respiratory sound data. In Proceedings of the？26th ACM SIGKDD International Conference？on Knowledge Discovery & Data Mining,？3474-3484. 

  14. Chen, T., & Guestrin, C. (2016). Xgboost: A scalable？tree boosting system. In Proceedings of the？22nd acm sigkdd international conference on？knowledge discovery and data mining, 785-794. 

  15. Daoud, E. (2019). Comparison between XGBoost,？LightGBM and CatBoost Using a Home Credit？Dataset. International Journal of Computer？and Information Engineering, 13(1), 6 - 10. 

  16. Dave, N. (2013). Feature extraction methods？LPC, PLP, and MFCC in speech recognition.？International Journal for Advance Research？in Engineering and Technology, 1(6), 1-5. 

  17. Dhaliwal, S. S., Nahid, A. A., Abbas, R.(2018)？Effective Intrusion Detection System Using？XGBoost. Information, 9(7), 149. 

  18. Doulah, A. B. M. S. U., & Fattah, S. A. (2014).？Neuromuscular disease classification based on？mel frequency cepstrum of motor unit action？potential. In 2014 International Conference？on Electrical Engineering and Information &？Communication Technology, 1-4. 

  19. Fakhry, A., Jiang, X., Xiao, J. Chaudhari, G.,？Han, A., & Khanzada, A. (2021). Virufy:？A multi-branch deep learning network for？automated detection of COVID-19. Interspeech. 

  20. Gaurav, R., Yahia-Cherif, L., Pyatigorskaya, N.,？Mangone, G., Biondetti, E., Valabregue, R.,？... & Lehericy, S. (2021). Longitudinal changes？in neuromelanin MRI signal in Parkinson's？disease: a progression marker. Movement？Disorders, 36(7), 1592-1602. 

    상세보기

  21. He, K., Zhang, X., Ren, S., & Sun, J. (2016).？Deep residual learning for image recognition.？In 2016 IEEE Conference on Computer Vision？and Patatern Recognition, 770-778. 

  22. Imran, A., Posokhova, I., Qureshi, H. N., Masood,？U., Riaz, M. S., Ali, K., John, C. N., Hussain,？M. I., & Nabeel, M. (2020). AI4COVID-19:？AI enabled preliminary diagnosis for COVID-19？from cough samples via an app. Informatics？in Medicine Unlocked, 20, 100378. 

    상세보기

  23. Issa, D., Demirci, M. F., & Yazici, A. (2020). Speech？emotion recognition with deep convolutional？neural networks. Biomedical Signal Processing？and Control, 59, 101894. 

    상세보기

  24. Ittichaichareon, C., Suksri, S., & Yingthawornsuk,？T. (2012). Speech recognition using MFCC. 

  25. International Conference on Computer Graphics,？Simulation and Modeling, Pattaya, Thailand.？Jana, B., & Nath, P. K. (2022). A Single-Chip？Solution for Diagnosing Peripheral Arterial？Disease. IEEE Transactions on Very Large？Scale Integration (VLSI) Systems, 30(5), 671-675. 

    상세보기

  26. Jana, B., Oswal, K., Mitra, S., Saha, G., &？Banerjee, S. (2019). Detection of peripheral？arterial disease using Doppler spectrogram based？expert system for Point-of-Care applications.？Biomedical Signal Processing and Control,？54, 101599. 

    상세보기

  27. Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W.,？Ma, W., & Liu, T. Y. (2017). Lightgbm: A？highly efficient gradient boosting decision tree.？Advances in Neural Information Processing？Systems, 30. 

  28. Kumar, A., Abhishek, K., Ghalib, M. R., Nerurkar,？P., Shah, K., Chandane, M., Bhirud, S., Patel,？D., & Busnel, Y. (2022). Towards cough sound？analysis using the internet of things and deep？learning for pulmonary disease prediction.？Transactions on Emerging Telecommunications？Technologies, 33(10), e4184. 

    상세보기

  29. McFee, B., Raffel, C., Liang, D., Ellis, D. P.,？McVicar, M., Battenberg, E., & Nieto, O.？(2015). Librosa:audio and music signal analysis？in python, In Proceedings of the 14th Python？in Science Conference. Austin, TX, 18-24. 

  30. Mishra, D., & Sahu, B. (2011). Feature selection？for cancer classification: a signal-to-noise ratio？approach. International Journal of Scientific？& Engineering Research, 2(4), 1-7. 

  31. Muda, L., Begam, M., & Elamvazuthi, I. (2010). Voice？recognition algorithms using mel frequency？cepstral coefficient (MFCC) and dynamic？time warping (DTW) techniques. Journal of？Computing, 2(3), 138-143. 

  32. Ogunleye, A., and Wang, Q. G.(2020). XGBoost？Model for Chronic Kidney Disease Diagnosis.？In IEEE/ACM Transactions on Computational？Biology and Bioinformatics, 17(6), 2131-2140. 

    상세보기

  33. Orlandic, L., Teijeiro, T., & Atienza, D. (2021). The？COUGHVID crowdsourcing dataset: A corpus？for the study of large-scale cough analysis？algorithms. Science Data 8, 156, https://doi.org/10.1038/s41597-021-00937-4. 

    상세보기 crossref

  34. Pramono, R. X. A., Imtiaz, S. A., & Rodriguez-Villegas, E. (2016). A cough-based algorithm？for automatic diagnosis of pertussis. PloS One,？11(9), e0162128. 

    상세보기

  35. Rezaee, K., Savarkar, S., Yu, X., & Zhang, J.？(2022). A hybrid deep transfer learning-based？approach for Parkinson's disease classification？in surface electromyography signals. Biomedical？Signal Processing and Control, 71, 103161. 

    상세보기

  36. Rezende, E., Ruppert, G., Carvalho, T., Ramos, F., &？Geus, P.(2017). Malicious Software Classification？Using Transfer Learning of ResNet-50 Deep？Neural Network. In Proceedings of 16th？IEEE International Conference on Machine？Learning and Applications (ICMLA), Cancun,？Mexico, 1011-1014. 

  37. Sadi, T. M., & Hassan, R. (2020). Development of？classification methods for wheeze and crackle？using mel frequency cepstral coefficient (MFCC):？A deep learning approach. International Journal？on Perceptive and Cognitive Computing, 6(2),？107-114. 

  38. Singh, Y., & Biswas, A. (2022). Robustness of？musical features on deep learning models for？music genre classification. Expert Systems with？Applications, 199, 116879. 

    상세보기

  39. Su, Y., Zhang, K., Wang, J., & Madani, K. (2019).？Environment sound classification using a two-stream CNN based on decision-level fusion.？Sensors, 19(7), 1733. 

    상세보기

  40. Tadesse, G. A., Javed, H., Thanh, N. L. N., Thi,？H. D. H., Thwaites, L., Clifton, D. A., &？Zhu, T. (2020). Multi-modal diagnosis of？infectious diseases in the developing world.？IEEE Journal of Biomedical and Health？Informatics, 24(7), 2131-2141. 

    상세보기

  41. Tiwari, V. (2010). MFCC and its applications in？speaker recognition. International Journal on？Emerging Technologies, 1(1), 19-22. 

  42. Wang, D., Zhang, Y., & Zhao, Y.(2017). LightGBM:？An effective miRNA classification method in？breast cancer patients. In Proceedings of the？2017 International Conference on Computational？Biology and Bioinformatics, 7-11. 

  43. Wen, L., Li, X., & Gao, L. A.(2020). Transfer？convolutional neural network for fault diagnosis？based on ResNet-50. Neural Computing and？Applications, 32, 6111-6124. 

저자의 다른 논문 :

관련 콘텐츠

이 논문과 함께 이용한 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로