俄羅斯專(zhuān)家開(kāi)發(fā)神經(jīng)網(wǎng)絡(luò)診斷系統(tǒng) 通過(guò)咳嗽聲實(shí)時(shí)判斷患者是否患有新冠
1月19日消息 據(jù)俄媒 Vesti 報(bào)道，俄羅斯專(zhuān)家開(kāi)發(fā)了一種神經(jīng)網(wǎng)絡(luò)診斷系統(tǒng)，能夠通過(guò)咳嗽聲實(shí)時(shí)判斷患者是否患有新冠肺炎。目前基于該診斷系統(tǒng)的手機(jī) App Acoustery 也已開(kāi)發(fā)出來(lái)。
據(jù)報(bào)道，項(xiàng)目負(fù)責(zé)人、俄羅斯科學(xué)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(tǒng)能夠?qū)⑺涗浀目人月?“可視化”，轉(zhuǎn)化為頻譜圖，用肉眼就可以辨別新冠肺炎癥狀的特征。據(jù)悉，診斷系統(tǒng)會(huì)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(tǒng)疾病引起的。手機(jī) APP Acoustery 的使用方法非常簡(jiǎn)單，只需用戶(hù)對(duì)著手機(jī)麥克風(fēng)咳嗽，程序便會(huì)實(shí)時(shí)做出診斷。
IT之家了解到，Acoustery 應(yīng)用對(duì)于新冠肺炎的診斷準(zhǔn)確度超過(guò) 85%，并且可以繼續(xù)提高。它可以作為獨(dú)立應(yīng)用程序集成到蘋(píng)果、谷歌和其他移動(dòng)軟件開(kāi)發(fā)人員開(kāi)發(fā)的熱門(mén)電子健康平臺(tái)中，也可以集成到各種終端中。
責(zé)任編輯：PSY
聲明：本文內(nèi)容及配圖由入駐作者撰寫(xiě)或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點(diǎn)僅代表作者本人，不代表電子發(fā)燒友網(wǎng)立場(chǎng)。文章及其配圖僅供工程師學(xué)習(xí)之用，如有內(nèi)容侵權(quán)或者其他違規(guī)問(wèn)題，請(qǐng)聯(lián)系本站處理。
舉報(bào)投訴
-
神經(jīng)網(wǎng)絡(luò)
+關(guān)注
關(guān)注
42文章
4822瀏覽量
106474 -
診斷系統(tǒng)
+關(guān)注
關(guān)注
0文章
44瀏覽量
12123 -
俄羅斯
+關(guān)注
關(guān)注
1文章
58瀏覽量
13470
發(fā)布評(píng)論請(qǐng)先 登錄
相關(guān)推薦
熱點(diǎn)推薦
NMSIS神經(jīng)網(wǎng)絡(luò)庫(kù)使用介紹
NMSIS NN 軟件庫(kù)是一組高效的神經(jīng)網(wǎng)絡(luò)內(nèi)核，旨在最大限度地提高 Nuclei N 處理器內(nèi)核上的神經(jīng)網(wǎng)絡(luò)的性能并最??大限度地減少其內(nèi)存占用。
該庫(kù)分為多個(gè)功能，每個(gè)功能涵蓋特定類(lèi)別
發(fā)表于 10-29 06:08
在Ubuntu20.04系統(tǒng)中訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型的一些經(jīng)驗(yàn)
本帖欲分享在Ubuntu20.04系統(tǒng)中訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型的一些經(jīng)驗(yàn)。我們采用jupyter notebook作為開(kāi)發(fā)IDE，以TensorFlow2為訓(xùn)練框架，目標(biāo)是訓(xùn)練一個(gè)手寫(xiě)數(shù)字識(shí)別的神經(jīng)
發(fā)表于 10-22 07:03
液態(tài)神經(jīng)網(wǎng)絡(luò)（LNN）：時(shí)間連續(xù)性與動(dòng)態(tài)適應(yīng)性的神經(jīng)網(wǎng)絡(luò)
1.算法簡(jiǎn)介液態(tài)神經(jīng)網(wǎng)絡(luò)（LiquidNeuralNetworks，LNN）是一種新型的神經(jīng)網(wǎng)絡(luò)架構(gòu)，其設(shè)計(jì)理念借鑒自生物神經(jīng)系統(tǒng)，特別是秀麗隱桿線(xiàn)蟲(chóng)的神經(jīng)結(jié)構(gòu)，盡管這種微生物的
神經(jīng)網(wǎng)絡(luò)專(zhuān)家系統(tǒng)在電機(jī)故障診斷中的應(yīng)用
摘要:針對(duì)傳統(tǒng)專(zhuān)家系統(tǒng)不能進(jìn)行自學(xué)習(xí)、自適應(yīng)的問(wèn)題,本文提出了基于種經(jīng)網(wǎng)絡(luò)專(zhuān)家系統(tǒng)的并步電機(jī)故障診斷方法。本文將小波神經(jīng)網(wǎng)絡(luò)和
發(fā)表于 06-16 22:09
什么是開(kāi)關(guān)柜后臺(tái)專(zhuān)家故障診斷系統(tǒng)？在哪方面實(shí)現(xiàn)智能診斷？
蜀瑞創(chuàng)新為大家科普：開(kāi)關(guān)柜后臺(tái)軟件-專(zhuān)家診斷系統(tǒng)是一種基于先進(jìn)技術(shù)的智能化監(jiān)測(cè)與診斷平臺(tái)，旨在通過(guò)實(shí)時(shí)數(shù)據(jù)采集、分析和人工智能算法，對(duì)開(kāi)關(guān)柜
BP神經(jīng)網(wǎng)絡(luò)與卷積神經(jīng)網(wǎng)絡(luò)的比較
多層。 每一層都由若干個(gè)神經(jīng)元構(gòu)成，神經(jīng)元之間通過(guò)權(quán)重連接。信號(hào)在神經(jīng)網(wǎng)絡(luò)中是前向傳播的，而誤差是反向傳播的。 卷積神經(jīng)網(wǎng)絡(luò)（CNN） ：
BP神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點(diǎn)分析
自學(xué)習(xí)能力 ： BP神經(jīng)網(wǎng)絡(luò)能夠通過(guò)訓(xùn)練數(shù)據(jù)自動(dòng)調(diào)整網(wǎng)絡(luò)參數(shù)，實(shí)現(xiàn)對(duì)輸入數(shù)據(jù)的分類(lèi)、回歸等任務(wù)，無(wú)需人工進(jìn)行復(fù)雜的特征工程。 泛化能力強(qiáng) ： BP神經(jīng)網(wǎng)絡(luò)
什么是BP神經(jīng)網(wǎng)絡(luò)的反向傳播算法
神經(jīng)網(wǎng)絡(luò)（即反向傳播神經(jīng)網(wǎng)絡(luò)）的核心，它建立在梯度下降法的基礎(chǔ)上，是一種適合于多層神經(jīng)元網(wǎng)絡(luò)的學(xué)習(xí)算法。該算法通過(guò)計(jì)算每層網(wǎng)絡(luò)的誤差，并將這
BP神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)的關(guān)系
），是一種多層前饋神經(jīng)網(wǎng)絡(luò)，它通過(guò)反向傳播算法進(jìn)行訓(xùn)練。BP神經(jīng)網(wǎng)絡(luò)由輸入層、一個(gè)或多個(gè)隱藏層和輸出層組成，通過(guò)逐層遞減的方式調(diào)整網(wǎng)絡(luò)權(quán)重，
BP神經(jīng)網(wǎng)絡(luò)的基本原理
輸入層、隱藏層和輸出層組成。其中，輸入層負(fù)責(zé)接收外部輸入數(shù)據(jù)，這些數(shù)據(jù)隨后被傳遞到隱藏層。隱藏層是BP神經(jīng)網(wǎng)絡(luò)的核心部分，它可以通過(guò)一層或多層神經(jīng)元對(duì)輸入數(shù)據(jù)進(jìn)行加權(quán)求和，并通過(guò)非線(xiàn)性
人工神經(jīng)網(wǎng)絡(luò)的原理和多種神經(jīng)網(wǎng)絡(luò)架構(gòu)方法
在上一篇文章中，我們介紹了傳統(tǒng)機(jī)器學(xué)習(xí)的基礎(chǔ)知識(shí)和多種算法。在本文中，我們會(huì)介紹人工神經(jīng)網(wǎng)絡(luò)的原理和多種神經(jīng)網(wǎng)絡(luò)架構(gòu)方法，供各位老師選擇。 01 人工神經(jīng)網(wǎng)絡(luò) ? 人工神經(jīng)網(wǎng)絡(luò)模型之所
診斷系統(tǒng)開(kāi)發(fā)咨詢(xún)服務(wù)
隨著汽車(chē)電控系統(tǒng)復(fù)雜度及消費(fèi)者對(duì)于汽車(chē)售后服務(wù)水平要求的提升，診斷系統(tǒng)開(kāi)發(fā)在整車(chē)開(kāi)發(fā)中的重要度日益突出。經(jīng)過(guò)多年的實(shí)踐，經(jīng)緯恒潤(rùn)積累了豐富的經(jīng)驗(yàn)，業(yè)務(wù)涵蓋診斷協(xié)議及功能定義、
卷積神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的比較
在深度學(xué)習(xí)領(lǐng)域，神經(jīng)網(wǎng)絡(luò)模型被廣泛應(yīng)用于各種任務(wù)，如圖像識(shí)別、自然語(yǔ)言處理和游戲智能等。其中，卷積神經(jīng)網(wǎng)絡(luò)（CNNs）和傳統(tǒng)神經(jīng)網(wǎng)絡(luò)是兩種常見(jiàn)的模型。 1. 結(jié)構(gòu)差異 1.1 傳統(tǒng)神經(jīng)網(wǎng)絡(luò)
RNN模型與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的區(qū)別
傳統(tǒng)神經(jīng)網(wǎng)絡(luò)（前饋神經(jīng)網(wǎng)絡(luò)） 2.1 結(jié)構(gòu) 傳統(tǒng)神經(jīng)網(wǎng)絡(luò)，通常指的是前饋神經(jīng)網(wǎng)絡(luò)（Feedforward Neural Networks, FNN），是一種最簡(jiǎn)單的人工
LSTM神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與工作機(jī)制
的結(jié)構(gòu)與工作機(jī)制的介紹： 一、LSTM神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) LSTM神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)主要包括以下幾個(gè)部分： 記憶單元（Memory Cell） ： 記憶單元是LSTM網(wǎng)絡(luò)的核心，負(fù)責(zé)在整個(gè)序列處理過(guò)程中保持和更新長(zhǎng)期依賴(lài)信息。 它主要由
工商網(wǎng)監(jiān)
評(píng)論