Auteurs : Fabien Moffo ^1,2; Auguste Noumsi Woguia ^1,2; Joseph Mvogo Ngono ³; Samuel Bowong ^1,4,2,2

• 1 Douala University, Faculty of Science, Department of Mathematics and Computer Science
• 2 Université de Douala
• 3 Institut Universitaire de Technologie de Douala
• 4 Douala University, UIT , Department of Computer Science

soumission à Episciences

[en]
Cough is the most common symptom of lung disease. COVID-19, a respiratory illness, has caused over 700 million positive cases and 7 million deaths worldwide. An effective, affordable, and widely available diagnostic tool is crucial in combating lung disease and the COVID-19 pandemic. Deep learning and machine learning algorithms could be used to analyze the cough sounds of infected patients and make predictions. Our research lab and the COUGHVID research lab provide the cough data. This diagnostic approach can distinguish cough sounds from COVID-19 patients and people suffering from other ailments as well as healthy people using deep learning and feature extraction from Mel spectrograms. The model used is a variant of ConvNet. This ConvNet model can easily capture features in MFCC Vectors and enable convolution parallelism, which increases processing speed. ConvNet attains translational invariance in features through the sharing of weights between layers. During data acquisition for model training, it is important to consider quiet environments to reduce errors in audio quality. The architecture of the convolutional neural networks gives an F1-score of 89%, an accuracy of 90.33% and sensitivity of 87.3%. This system has the potential to significantly impact society by reducing virus transmission, expediting patient treatment, and freeing up hospital resources. Early detection of COVID-19 can prevent disease progression and enhance screening effectiveness.

[fr]
La toux est le symptôme le plus courant des maladies pulmonaires. Le COVID-19, une maladie respiratoire, a provoqué plus de 700 millions de cas positifs et 7 millions de décès dans le monde. Un outil de diagnostic efficace, abordable et largement disponible est essentiel pour lutter contre les maladies pulmonaires et la pandémie de COVID-19. Des algorithmes d'apprentissage profond et d'apprentissage automatique pourraient être utilisés pour analyser les bruits de toux des patients infectés et faire des prédictions. Notre laboratoire de recherche et le laboratoire de recherche COUGHVID fournissent les données sur la toux. Cette approche diagnostique peut distinguer les bruits de toux des patients atteints de COVID-19 et des personnes souffrant d'autres maladies ainsi que des personnes en bonne santé en utilisant l'apprentissage profond et l'extraction de caractéristiques à partir des spectrogrammes de Mel. Le modèle utilisé est une variante de ConvNet. Ce modèle ConvNet peut facilement capturer les caractéristiques des vecteurs MFCC et permettre le parallélisme de convolution, ce qui augmente la vitesse de traitement. ConvNet atteint l'invariance translationnelle des caractéristiques grâce au partage des poids entre les couches. Lors de l'acquisition des données pour l'entraînement du modèle, il est important de prendre en compte les environnements calmes pour réduire les erreurs de qualité audio. L'architecture des réseaux neuronaux convolutionnels donne un score F1 de 89 %, une précision de 90,33 % et une sensibilité de 87,3 %. Ce système peut avoir un impact significatif sur la société en réduisant la transmission des virus, en accélérant le traitement des patients et en libérant des ressources hospitalières. La détection précoce du COVID-19 peut prévenir la progression de la maladie et améliorer l'efficacité du dépistage.