2020年新冠肺炎咳嗽声智能识别数据集-sujaykapadnis
数据来源：互联网公开数据
标签：新冠肺炎,咳嗽声,机器学习,深度学习,卷积神经网络,MFCC,智能设备,健康监测
数据概述：
本数据集包含用于识别新冠肺炎咳嗽声的音频样本，利用Mel-frequency cepstral coefficients (MFCC) 技术将音频转换为频谱图，并使用卷积神经网络 (CNN) 进行分类。数据集中的音频样本被标记为“新冠肺炎”或“非新冠肺炎”，并用于训练和验证模型。该研究旨在通过智能设备实现家庭环境下的新冠肺炎早期诊断。
数据用途概述：
该数据集适用于智能设备的音频分类研究、家庭健康监测系统的开发及评估、机器学习算法的性能比较等多种场景。研究人员可以通过该数据集进一步探索深度学习在音频分类中的应用，优化模型性能，提高新冠肺炎诊断的准确性和效率。此外，数据集还适合用于教育培训，帮助学习者了解深度学习在医疗领域的应用前景。
数据集中的关键要素包括：
- 音频样本：包含新冠肺炎和非新冠肺炎患者的咳嗽声录音
- MFCC 频谱图：将音频数据转换为适合卷积神经网络处理的图像格式
- 标签：每个音频样本被标记为“新冠肺炎”或“非新冠肺炎”
该数据集的研究成果显示，使用小规模数据集训练的卷积神经网络能够实现高准确率的分类结果，验证数据集的准确率达到97.5%。这一研究为利用智能设备进行家庭环境下的新冠肺炎早期诊断提供了有力的理论支持，具有重要的现实意义。
