Detecção acústica de acometimento por Covid-19

Abstract

Inegavelmente, a recente pandemia do COVID-19 alterou o cotidiano de todo o mundo. Nesse sentido, inúmeras estratégias foram e ainda têm sido pesquisadas para aprimorar a detecção da enfermidade, englobando exames hematológicos, diagnóstico por imagens, entre outros. Uma possibilidade, também explorada, consiste no pré-diagnóstico por meio da ausculta respiratória. Assim, visando automatizar esse processo e oferecer um auxílio ao profissional de saúde, com base em um processo apenas modestamente investigado, caracteriza-se o objetivo deste trabalho: projetar e implementar uma técnica de processamento inteligente de sinais para detectar, de modo não-invasivo e com base na análise acústica dos ruídos respiratórios, o acometimento por COVID-19, principalmente em estágios iniciais. Valendo-se de novos conceitos disponíveis na literatura, tais como aqueles pertinentes à Engenharia Paraconsistente de Características, o método desenvolvido, de modesto custo computacional, foi testado valendo-se de uma parcela da base de sinais pública COVID-19 Sounds App. Métricas promissoras e compatíveis com as expectativas foram obtidas: classificadores baseados em distâncias Euclidianas e Support Vector Machines (SVM) alcançaram plena acurácia e significantes valores de especificidade, sensibilidade e F1 score.

Undoubtedly, the recent COVID-19 pandemic has altered the daily life of the entire world. In this sense, numerous strategies have been and are still being discussed to enhance the de- tection of the disease, including hematological tests, imaging diagnosis, among others. One possibility, also explored, consists of pre-diagnosis through respiratory auscultation. Thus, aiming to automate this process and provide assistance to the healthcare professional, based on a moderately investigated process, the objective of this work is characterized: to design and implement an intelligent signal processing technique for a non-invasive detection of COVID-19 infection, mainly in early stages, based on the acoustic analysis of respiratory sounds. Leveraging new concepts available in the literature, such as those relevant to Paraconsistent Feature Engineering, the developed method, with modest computational costs, was tested using a portion of the COVID-19 Sounds App public signal database. Promising metrics consistent with expectations were obtained: classifiers based on Euclidean distances and Support Vector Machines (SVM) achieved full accuracy and significant values of precision, recall, and F1 score.