Auxílio ao diagnóstico de covid-19 com redes neurais convolucionais: análise de sons de respiração, tosse e fala

Abstract

A pandemia de COVID-19 trouxe desafios sem precedentes à saúde pública global, exigindo o desenvolvimento de métodos rápidos e acessíveis para diagnóstico. Este trabalho explora o uso de redes neurais convolucionais (CNNs) na detecção de COVID-19 por meio da análise de áudios de respiração, tosse e fala. Utilizando a base de dados Coswara, os áudios foram transformados em espectrogramas Mel e diferentes configurações de CNNs foram testadas. O melhor desempenho foi obtido com áudios de "contagem", otimizador Adamax e exclusão de registros assintomáticos, alcançando AUC de 0,79 e F1-score superior a 0,82. Apesar das limitações, como desbalanceamento de classes, os resultados confirmam o potencial das CNNs como ferramentas rápidas e acessíveis para o diagnóstico de doenças respiratórias. Sugere-se, para trabalhos futuros, a ampliação da base de dados, a experimentação com arquiteturas híbridas e a implementação em dispositivos móveis.