基于ResNet-EfficientNet的高精度咳嗽音驱动传染病分类框架：面向COVID-19快速筛查的深度学习研究

《Scientific Reports》：ResNet-EfficientNet powered framework for high-precision cough-based classification of infectious diseases

本研究针对COVID-19等传染病快速诊断需求，提出一种基于咳嗽音的深度学习分类框架。团队通过融合ResNet、EfficientNet等预训练模型，实现了对正常与COVID-19咳嗽音的高精度区分，准确率达98.5%。该研究为无创、低成本的呼吸道疾病筛查提供了技术支撑，对公共卫生应急响应具有重要实践意义。

　　

在新冠疫情全球大流行的阴影下，快速、精准的病原筛查成为阻断传播链的关键。然而，传统的PCR检测虽准确性高，却依赖专业实验室和昂贵设备，在资源匮乏地区难以普及。能否通过日常的咳嗽声，像“听音识病”一样实现早期筛查？这听起来像科幻情节，却正是前沿医学与人工智能交叉研究的热点。

咳嗽作为呼吸道疾病的共同症状，其声学特征蕴含丰富的生理信息。例如，COVID-19患者的咳嗽因肺部组织病变常伴随气流异常和声带振动变化，形成独特的“声纹”。但如何从嘈杂的真实环境录音中提取这些细微差异，并区分正常与病理性咳嗽，是巨大挑战。早期研究多依赖手工设计特征，稳定性差；而深度学习模型虽能自动学习特征，却常因数据量不足、设备差异等问题泛化能力有限。更关键的是，医疗应用要求模型决策过程透明可信，而传统深度学习犹如“黑箱”，难以获得临床信任。

为此，Vel Tech Rangarajan Dr. Sagunthala R&D Institute of Science and Technology等机构的研究团队在《Scientific Reports》发表论文，提出一种融合ResNet（残差网络）与EfficientNet的高精度咳嗽音分类框架。研究团队从Kaggle平台的COVID-19咳嗽音数据库获取数据，包含正常与确诊患者的录音样本。通过预处理（如重采样至48 kHz、振幅归一化）和信号增强（添加噪声、频谱掩蔽），构建鲁棒性更强的数据集。

关键技术方法

研究采用四种深度学习模型对比：1D-CNN（一维卷积神经网络）直接处理音频波形；DS-CNN（深度可分离卷积）降低计算成本；EfficientNet V2-S通过复合缩放优化效率；ResNet-18凭借残差连接缓解梯度消失。模型输入为Mel频谱图（时频图像），训练中使用Adam优化器和加权交叉熵损失解决类别不平衡，并通过Grad-CAM（梯度加权类激活映射）和Eigen-CAM（特征值类激活映射）可视化模型决策依据。

模型性能对比

如热力图所示，ResNet-18表现最优，准确率达98.5%，误报率仅0.01%。其混淆矩阵显示，正常咳嗽和COVID-19咳嗽的识别正确率分别为98%与99%。相比之下，1D-CNN和DS-CNN因结构简单，对复杂声学模式捕捉能力较弱，准确率均低于92%。EfficientNet V2虽达到95%准确率，但召回率（98%）高于精确度（92.45%），表明对阳性病例敏感但假阳性偏高。

时频特征分析

COVID-19咳嗽音在时域呈现振幅持续波动、持续时间长的特点，反映呼吸道不规则震颤；而正常咳嗽音波形平滑、周期性强。在频域上，MFCC（梅尔频率倒谱系数）分析显示COVID-19咳嗽在0-10号系数带宽能量分布更广（图3），对应更复杂的频谱结构，可能与肺部组织病变相关。

模型可解释性验证

通过Grad-CAM和Eigen-CAM可视化（图7-10），发现ResNet-18在正确分类样本中聚焦于咳嗽爆发段的高能量频带（如低频谐波），而误分类样本的注意力分散于静音或噪声区域。这证明模型学习到了病理相关的声学特征，而非无关噪声。

结论与展望

本研究证实ResNet-18架构在咳嗽音分类中兼具高精度与强泛化能力，其残差连接机制有效提取了COVID-19咳嗽的细微异常特征。结合可解释性技术，模型决策过程透明化，为临床落地奠定信任基础。未来工作可扩展至哮喘、支气管炎等多病种筛查，并探索轻量级模型（如MobileNet）在移动设备的部署潜力，推动低成本、普惠性呼吸道疾病诊断技术的发展。