Análisis y diseño de Dataset para el reconocimiento de COVID-19 en señales de tos con Redes Neuronales Profundas
Visualitza/Obre
Estadístiques de LA Referencia / Recolecta
Inclou dades d'ús des de 2022
Cita com:
hdl:2117/379925
Tipus de documentTreball Final de Grau
Data2022-05-23
Condicions d'accésAccés obert
Tots els drets reservats. Aquesta obra està protegida pels drets de propietat intel·lectual i
industrial corresponents. Sense perjudici de les exempcions legals existents, queda prohibida la seva
reproducció, distribució, comunicació pública o transformació sense l'autorització del titular dels drets
Abstract
This project will try to improve the detection results of the COVID-19 disease as much as possible from acoustic signals of coughing through a convolutional neural network. To accomplish these objectives, we started with an audio classifier called DASV, designed and developed by Miquel Angel India Massana, a former UPC student who is currently pursuing his doctorate. This classifier was modified to be able to deal with the data required in this project (cough audios) and to work with only two classes, positive and negative. To improve the classification results, multiple databases were searched, since none was very complete and all were highly unbalanced, in order to create a broad and balanced Dataset. Finally, a Data Augmentation would be implemented that would further improve the results. En este proyecto se tratará de mejorar al máximo los resultados de detección de la enfermedad COVID-19 a partir de señales acústicas de tos mediante una red neuronal convolucional. Para realizar estos objetivos, se partió de un clasificador de audio llamado DASV, diseñado y desarrollado por Miquel Angel India Massana, un antiguo alumno de la UPC que actualmente está cursando su doctorado. Este clasificador se modificó para poder tratar con los datos requeridos en este proyecto (audios de tos) y para trabajar únicamente con dos clases, positivo y negativo. Para mejorar los resultados de clasificación, se buscaron múltiples bases de datos, ya que ninguna era muy completa y todas estaban enormemente desbalanceadas, para crear así un Dataset amplio y equilibrado. Finalmente se implementaría un Data Augmentation que mejoraría todavía más los resultados. En aquest projecte es tractarà de millorar al màxim els resultats de detecció de la malaltia COVID-19 a partir de senyals acústics de tos mitjançant una xarxa neuronal convolucional. Per aconseguir aquests objectius, es va partir d'un classificador d'àudio anomenat DASV, dissenyat i desenvolupat per Miquel Angel India Massana, un antic alumne de la UPC que actualment està cursant el doctorat. Aquest classificador es va modificar per poder tractar amb les dades requerides en aquest projecte (àudios de tos) i per treballar únicament amb dues classes, positiu i negatiu. Per millorar els resultats de classificació, es van buscar múltiples bases de dades, ja que cap era molt completa i totes estaven enormement desbalancejades, per crear així un Dataset ampli i equilibrat. Finalment, s'implementaria un Data Augmentation que milloraria encara més els resultats.
MatèriesDeep learning (Machine learning), COVID-19 (Disease), Machine learning, Medical informatics, Aprenentatge profund, COVID-19 (Malaltia), Aprenentatge automàtic, Medicina--Informàtica
TitulacióGRAU EN ENGINYERIA DE TECNOLOGIES I SERVEIS DE TELECOMUNICACIÓ (Pla 2015)
Fitxers | Descripció | Mida | Format | Visualitza |
---|---|---|---|---|
Degree_thesis.pdf | 2,008Mb | Visualitza/Obre |