1月19日消息 據俄媒 Vesti 報道,俄羅斯專家開發了一種神經網絡診斷系統,能夠通過咳嗽聲實時判斷患者是否患有新冠肺炎。目前基于該診斷系統的手機 App Acoustery 也已開發出來。
據報道,項目負責人、俄羅斯科學院列別捷夫物理研究所研究員德米特里 · 米哈伊洛夫表示,診斷系統能夠將所記錄的咳嗽聲 “可視化”,轉化為頻譜圖,用肉眼就可以辨別新冠肺炎癥狀的特征。據悉,診斷系統會辨別患者的咳嗽是由新冠肺炎引起的,還是由其他呼吸系統疾病引起的。手機 APP Acoustery 的使用方法非常簡單,只需用戶對著手機麥克風咳嗽,程序便會實時做出診斷。
IT之家了解到,Acoustery 應用對于新冠肺炎的診斷準確度超過 85%,并且可以繼續提高。它可以作為獨立應用程序集成到蘋果、谷歌和其他移動軟件開發人員開發的熱門電子健康平臺中,也可以集成到各種終端中。
責任編輯:PSY
聲明:本文內容及配圖由入駐作者撰寫或者入駐合作網站授權轉載。文章觀點僅代表作者本人,不代表電子發燒友網立場。文章及其配圖僅供工程師學習之用,如有內容侵權或者其他違規問題,請聯系本站處理。
舉報投訴
-
神經網絡
+關注
關注
42文章
4814瀏覽量
103526 -
診斷系統
+關注
關注
0文章
41瀏覽量
11998 -
俄羅斯
+關注
關注
1文章
57瀏覽量
13374
發布評論請先 登錄
相關推薦
熱點推薦
BP神經網絡與卷積神經網絡的比較
多層。 每一層都由若干個神經元構成,神經元之間通過權重連接。信號在神經網絡中是前向傳播的,而誤差是反向傳播的。 卷積神經網絡(CNN) :
BP神經網絡的優缺點分析
自學習能力 : BP神經網絡能夠通過訓練數據自動調整網絡參數,實現對輸入數據的分類、回歸等任務,無需人工進行復雜的特征工程。 泛化能力強 : BP神經網絡
什么是BP神經網絡的反向傳播算法
神經網絡(即反向傳播神經網絡)的核心,它建立在梯度下降法的基礎上,是一種適合于多層神經元網絡的學習算法。該算法通過計算每層網絡的誤差,并將這
BP神經網絡與深度學習的關系
),是一種多層前饋神經網絡,它通過反向傳播算法進行訓練。BP神經網絡由輸入層、一個或多個隱藏層和輸出層組成,通過逐層遞減的方式調整網絡權重,
人工神經網絡的原理和多種神經網絡架構方法
在上一篇文章中,我們介紹了傳統機器學習的基礎知識和多種算法。在本文中,我們會介紹人工神經網絡的原理和多種神經網絡架構方法,供各位老師選擇。 01 人工神經網絡 ? 人工神經網絡模型之所

卷積神經網絡與傳統神經網絡的比較
在深度學習領域,神經網絡模型被廣泛應用于各種任務,如圖像識別、自然語言處理和游戲智能等。其中,卷積神經網絡(CNNs)和傳統神經網絡是兩種常見的模型。 1. 結構差異 1.1 傳統神經網絡
RNN模型與傳統神經網絡的區別
傳統神經網絡(前饋神經網絡) 2.1 結構 傳統神經網絡,通常指的是前饋神經網絡(Feedforward Neural Networks, FNN),是一種最簡單的人工
LSTM神經網絡的結構與工作機制
的結構與工作機制的介紹: 一、LSTM神經網絡的結構 LSTM神經網絡的結構主要包括以下幾個部分: 記憶單元(Memory Cell) : 記憶單元是LSTM網絡的核心,負責在整個序列處理過程中保持和更新長期依賴信息。 它主要由
Moku人工神經網絡101
Moku3.3版更新在Moku:Pro平臺新增了全新的儀器功能【神經網絡】,使用戶能夠在Moku設備上部署實時機器學習算法,進行快速、靈活的信號分析、去噪、傳感器調節校準、閉環反饋等應用。如果您

【飛凌嵌入式OK3576-C開發板體驗】RKNN神經網絡算法開發環境搭建
download_model.sh 腳本,該腳本
將下載一個可用的 YOLOv5 ONNX 模型,并存放在當前 model 目錄下,參考命令如下:
安裝COCO數據集,在深度神經網絡算法中,模型的訓練離不開大量的數據集,數據集用于神經網絡模型的訓練。
發表于 10-10 09:28
Arm技術助力Quvium打造智能咳嗽監測器
設計一款小巧輕便、適合兒童佩戴且電池續航時間長的咳嗽監測器。且為這一監測器設備進行強大的機器學習 (ML) 算法開發,用以分析咳嗽頻率,同時還可屏蔽背景噪聲,實現僅監控咳嗽聲的效果。
中置式開關柜技術規范:智能開關專家診斷系統
蜀瑞創新智能開關專家診斷系統能夠對開關設備進行實時數據采集及歷史數據的讀取,并對采集數據進行處理分析,解析開關設備的運行狀態,包括對機械特性分析、機械壽命預測、燃弧時間分析、斷路器壽命預測、對開關設備故障

評論