新冠肺炎研究进展的几篇论文（四）

“停课不停研”， 论文品读，研一新生考虑不周，欢迎指正。

论文地址：https://arxiv.org/abs/2002.05534v1

参考CSDN文章：https://blog.csdn.net/l7H9JA4/article/details/105061797

ABNORMAL RESPIRATORY PATTERNS CLASSIFIER MAY CONTRIBUTE TO LARGE-SCALE SCREENING OF PEOPLE INFECTED WITH COVID-19 IN AN ACCURATE ANDUNOBTRUSIVE MANNER

摘要：
根据最新的临床研究，COVID-19的呼吸模式不同于流感和普通感冒的呼吸模式。COVID-19出现的一个重要症状是呼吸急促。感染了COVID-19的人呼吸速度更快。我们的研究可以用来区分不同的呼吸模式，我们的装置（深度摄像机Kinect v2）可以初步投入实际使用。

背景：
多普勒雷达、热成像技术和基于运动检测的摄像机通常用于记录呼吸信号。持续使用雷达存在爆炸释放辐射的潜在风险。热成像相机易受环境热影响。基于运动检测的方法能够解决上述问题，因为它的测量是基于位移的变化，而不是基于像素强度的变化
本文提出AT-BI-GRU深度神经网络用于异常呼吸模式的分类。

建模过程：
1.呼吸模式分类：正常呼吸和异常呼吸(如呼吸迟缓、呼吸过速、生物呼吸、呼吸暂停和中央呼吸暂停）
2.建立呼吸模拟模型
3.深度照相机测量呼吸信号：深度图像通过深度相机，选择感兴趣的区域(ROI)和处理深度数据。
在深度图像中，我们选择了三种roi，即胸部、腹部和肩部。这些ROI不仅解决了单个ROI可能对某些人不起作用的问题，而且还增加了通过一次度量获得的数据量。我们计算深度数据在每帧一定ROI内的平均值，提取呼吸信号。然后对原始数据的所有帧进行数据跨度为5的滑动平均滤波，消除波形的突变。最后，对呼吸信号进行min-max归一化处理
4.BI-AT-GRU用于呼吸模式分类
长短时记忆(LSTM)是一种重要的RNN变异网络，能够解决长序列RNN训练时间长和长期记忆丢失的问题
我们利用一种改进的GRU，即BI-AT-GRU，通过在GRU网络中加入双向和注意机制来进行呼吸模式分类。整个网络分为输入层、BI-GRU层、注意层和输出层。输入层用于在呼吸波形各点输入模拟数据(训练阶段)或深度数据(测试阶段)。

数据来源：
1.实验设置：训练集12万套，包括6种呼吸模式。每个模式有20000个样本随机产生的RSM。隐含层、注意隐含层、批大小分别为128、16、128。
2.实验结果：