深度迁移学习在识别Omicron变体病毒感染患者中的应用

埃及信息学杂志24（2023）129使用深度迁移学习从合并的多焦点EEG信号和X射线图像中模式识别omicron变体Saad Al-Ahmadi，Farah Mohammad沙特国王大学计算机与信息科学学院计算机科学系，利雅得11543，沙特阿拉伯阿提奇莱因福奥文章历史记录：2022年4月12日收到2023年1月1日修订2023年1月15日接受2023年1月20日在线提供保留字：COVID-19OmicronEEG迁移学习深度学习EfficentNetA B S T R A C T世界卫生组织（世卫组织）于二零二零年三月宣布一种由SARS- CoV-2病毒引起的传染病COVID-19有许多变体，最近和致命的是Omicron变体，感染病例呈指数级增长。Omicron的快速传播使得诊断成为卫生保健从业者的关键责任此外，隔离和隔离感染者有助于控制Omicron对于诊断，进行RT-PCR测试，这是耗时且昂贵的。此外，在大多数国家，由于缺乏资源，无法为大量患者这项研究工作提出了一种基于深度学习的方法，用于使用EEG和X射线图像有效诊断病毒感染患者有效的分层架构，包括预处理，特征提取（小波变换和efficientNet）和基于迁移学习的分类已被设计用于识别Omicron患者。实验结果表明，该模型的预测准确率为96.98%，损失率仅为12%，预测正确率为96%为了验证所提出的模型，已经从在线存储库中收集了EEG图像以及基于胸部X射线的图像的数据集，并分别进一步分类为正常COVID的30% EEG图像和Omicron的70% EEG图像。©2023 The Bottoms.由Elsevier BV代表计算机和人工智能学院发布开罗大学法律系这是一篇CC BY-NC-ND许可证下的开放获取文章（http：//creative-commons.org/licenses/by-nc-nd/4.0/）上提供。1. 介绍“冠状病毒”被称为“新型COVID-19”，因为它的不同变异和通过社交聚会在人与人之间广泛传播，这是世界上从未见过的。 世界卫生组织认为，冠状病毒属于各种各样的家庭，从普通感冒到严重的传染病[1]。其中一些疾病可以通过在人与人之间快速传播而感染人。这些病毒是由两类病毒的结合产生的，即严重急性呼吸综合征（SARS）和中东呼吸综合征（MERS），*通讯作者。电子邮件地址：salahmadi@ksu.edu.sa（S. Al-Ahmadi），fsheikh@ksu.edu.sa（F.Mohammad）。开罗大学计算机和信息系负责同行审查。始于中国湖北省武汉市的传播冠状病毒感染的症状是极端的，由于感染的呼吸系统，如肺炎，肾脏疾病和肺液体生长。2020年2月11日，世卫组织总干事爆发了由“COVID-19”引起的新型冠状病毒MERS和SARS。MERS从沙特阿拉伯开始SARS从中国开始，传播到24个国家，800人死亡[2]。2019年，约有180，000例由冠状病毒SARS CoV-2引起的COVID-19确诊病例，其中包括160个国家的近8，000例死亡[3]。2020年3月11日，世界卫生组织宣布COVID-19为流行病[4]。从COVID-19开始，由于基于RNA的特性及其基因序列，病毒的形状已经变成了不同的变体。其中一种变体称为Delta，于2021年9月1日被诊 断出具有 更多感 染特性 。2021 年11 月26 日， 世界卫生 组织（WHO）宣布一种新的新冠病毒变种，命名为Omicron根据从技术上获得的证据，https://doi.org/10.1016/j.eij.2023.01.0011110-8665/©2023 THE COURORS.由Elsevier BV代表开罗大学计算机和人工智能学院出版这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表埃及信息学杂志杂志主页：www.sciencedirect.comS. Al-Ahmadi和F. Mohammad埃及信息学杂志24（2023）129130咨询小组（TAG-VE）[5]。Omicron有许多迭代突变，对它的行为、传播和疾病的严重程度有严重影响。Omicron的有效诊断有助于所有受影响国家的患者及其家属的康复。随着疾病的传播，尽快将急性病例送往专科医院并控制传播变得越来越重要。由于成本高昂，COVID-19的识别已成为一个相对快速的过程。此外，诊断测试还带来了财政和预算问题，影响到政府和获得医疗保健机会有限的患者。于二零二零年三月，所有该等患者的胸部X光及脑电图的不同图像的公开可用数据集有所增加，以诊断此大流行性疾病。此外，诊断疾病的视觉图像有助于研究人员搜索和识别检测疾病的潜在趋势。COVID-19的高传播率导致患者迅速涌入医院，对影像医生造成重大压力，并经常导致医生短缺。这个问题可以使用深度学习方法来解决，这些方法近年来取得了重大进展。深度学习的目标是通过构建多隐藏层机器学习模型来学习更准确的特征，该模型使用大量样本数据进行训练，以最终提高分类或预测准确性。在过去的5年里，密集的机器学习应用程序已经迅速发展，以处理此类流行病。深度学习是一种特殊类型的机器学习方法，主要关注图像信息的分类和自动识别提取。目标检测和医学图像分类是使用基于机器学习算法的最常见应用之一。机器学习是一种深度学习，在应用人工智能和神经网络来提取、分析和识别医疗数据模式方面已经得到验证。当创新出现时，在计算机辅助和临床决策制定系统中重新获得该领域中的发明的益处变得越来越重要[6]。传统的RT-PCR测试通常被认为是诊断COVID-19和omicron的金标准，而基于机器学习的模型由于其简单快速的处理而越来越受欢迎。此外，RT-PCR是昂贵且耗时的过程。这种测试的另一个问题是它需要实验室试剂盒，在危机或流行病期间，在许多国家可能很难或不可能获得。这项研究工作为从EEG和胸部X射线图像诊断Omicron传统的机器学习方法只关注胸部X光片，由于其蓝色质量图像，结果模糊的患者诊断[7]。需要提供患者的一些替代的和最敏感的读数，例如EEG，以有效地诊断。早期诊断对降低传播和死亡率，有效处理棘手的技术问题至关重要。在这项工作中，设计了一种基于迁移学习的深度学习模型，可以对患者是否被诊断为COVID-19或其Omicron变体进行分类。1.1. 研究贡献本文的主要贡献如下由于变体的新颖性和数据集的可用性非常少，在这项工作中，已经创建了与EEG合并用于Omicron分类的5，544个图像的数据集。的采用80-20的训练测试分割策略对数据集进行进一步分割，其中80%为训练图像，20%为测试图像。这项研究工作为omicron检测提供了一个有效的深度学习模型，被认为是omicron检测的更好通过敏感性、特异性、ROC曲线和交叉验证对模型进行了实验评价已经得出结论，所提出的模型产生更好的检测比当前国家的最先进的技术。论文的其余部分组织如下：过去对COVID和Omicron的研究在第2节中进行了检查第3节说明了从EEG和X射线图像中检测Omicron的拟议架构。在第4节中，介绍了实验的结果，以及与当前最佳实践的比较。在第5节的结论和未来工作2. 文献综述有几项基于机器学习的研究试图对COVID-19进行筛查自4月18日起，全球确诊COVID-19病例超过3315万例，近5,563,834人死亡[1]。由于无法获得COVID-19疾病的疫苗或药物，因此早期识别COVID-19对感染者非常有帮助在此之后，一个人可以有能力成功地消除他自己和污染的风险，以一个健康的人口是最小化。文献研究表明，已经进行了几项用于COVID-19筛查的机器学习工作，研究人员仍在研究它。研究了COVID-19对医疗设施的影响，包括心脏手术、心脏成像和门诊预约[8]。他们的工作表明，COVID-19对全球心脏医疗保健系统产生了重大影响他们还认为，COVID-19造成了对远程医疗的日益增长的需求，而大流行加剧了对远程医疗的推动在工作中，他们在2020年4月至5月期间对远程康复服务的实施情况进行了调查其中电子问卷已通过电子邮件发送给42家比利时CR中心的负责人[9]。使用七种不同的公认的深度学习神经网络架构进行比较[10]。在他们的 研 究 中 ， 他 们 收 集 了 性 能 最 高 的 架 构 ， 包 括 VGG19[11] 和DenseNET201[12] 。 通 过 使 用 名 为 COVID-net 的 新 CNN 软 件 对COVID-19和肺炎的CXR图像进行分类[13]。在他们的工作中，他们使用了13，800张CXR图像的数据集，其中182张图像来自Covid-19患者。从实验评估中，他们获得了92.4%的记录准确度。最后，他们得出结论，COVID-NET模型[14]和ResNet 50[15]更适合于对正常患者、COVID-19、病毒性肺炎和细菌性肺炎的CXR进行分类。 他们声称，与 COVID-net 相 比 ， 总 体 准 确 率 为 96.23% ， COVID-19 敏 感 度 为99.5%。已经开发了一个新的数据集，包括1，203例稳定的931例细菌性肺炎患者，660例非空-19例病毒性肺炎患者，68例COVID-19放射照片和45例COVID-19患者[16]。作者进行了分层分析，以识别CXR图像上的COVID-19模式[17]。他们还对另一个数据集进行了实验，该数据集由1，144张COVID-19的X射线图像组成。该数据集由六个不同的类别组成，其中五种类型是肺炎和一种常见（健康）类型。在他们的工作中，他们采用了几种方法从数据集中提取图像属性，专注于深层●●●S. Al-Ahmadi和F. Mohammad埃及信息学杂志24（2023）129131×ð Þð Þpjajað Þffi集成网络Inception-V3[18]。他们还利用卷积神经网络来自动检测被称为Coronet的感染COVID-19的胸部X射线图像[19]。从过去的文献中分析，机器学习模型在诊断流行性疾病（如COVID-19）方面发挥着至关重要的作用[20]。然而，仍然需要提供更准确和有效的模型来完成所述工作。传统的机器学习模型很复杂，由于功能和测试/ 训练数据的可用性较低，可能无法准确检测COVID-19的新变体，如omicron[21]。此外，由于训练图像的质量差和模糊另一方面，RT-PCR方法昂贵、稀有、手动且耗时。这项研究工作利用了自然分类问题，并探索了在X射线图像和EEG上使用二进制分类来检测COVID-19和Omicron。本文提出了一种迁移学习模型，用于检测患者是否受到COVID-19或Omicron变体的影响。最初，已经创建了基于COVID-19和Omicron的图像和具有特定属性（例如旋转、小旋转和添加少量失真）的EEG。后来，一个基于深度学习的架构被部署用于特征提取、预训练和最终分类，以获得理想的结果。对采集的图像进行训练，训练和测试时数据集的分割率分别为80%和20%这项工作还包括该模型的受试者工作特征（ROC）曲线和交叉验证，以提供该模型的有效性。3. 材料和方法在本节中，提出了从EEG和X射线图像的Omicron检测技术。图1描绘了模型的架构。首先，概述了主要数据集的描述，随后讨论了提出的高效网络和小波基线系统以及深度学习策略。如果一个标准的机器学习模型只考虑照片作为输入，那么当图像模糊或质量差时，它往往无法提供更好的结果。 该方法通过引入基于小波和EfficentNet的混合特征提取方法3.1. 研究数据集在这项研究中，一个新的数据集的基础上的几个网络来源的脑电图和X射线报告的不同住院患者已被收集的实验。还从GitHub和Kaggle存储库中收集了一些Omicron和非Omicron EEG图像。然而，大多数Omicron图像是从自第一次更新以来，数据库中增加了10，192例正常肺炎病例，6012例非COVID肺部感染病例和1345例病毒性肺炎图像。根据他们的意见，一旦COVID-19肺炎患者的新X射线图像可用，该数据库将立即更新。COVID-ARC是COVID-19相关多模式（例如，演示图形）和纵向（例如，成像扫描）数据以及其他统计和分析工具。此集合中提供了数据访问和用户友好的分析工具，以帮助academics更好地了解COVID-19并鼓励合作。迫切需要科学家之间的全球合作来模拟病毒，分析它如何变化以及未来将如何变化，了解它如何传播，并发现疫苗。在大流行的情况下，该数据集可以帮助科学家建立在紧急情况下快速收集和分析数据所需的基础设施。3.2. 预处理在这个阶段中，脑电信号和X射线图像在特征提取之前已经被预处理。据观察，电源线和EMG产生的噪声经常干扰EEG信号，对临床诊断有重大影响，必须消除，以提供更清晰的图片。因此，干扰减少算法（IRA）[27]已被应用于预处理数据集。此外，对X射线图像进行了过滤以消除噪音，然后调整到260 260像素更好地观看。使用Numpy阵列标记收集中每个图像的Omicron和COVID病例。在本工作中，零标号表示Omicron图像，一标号表示非Omicron图像.后来的数据合并的拼接方法，并在年底，它是随机洗牌。3.3. 特征提取特征提取过程已经在两个不同的维度上进行。最初，通过小波变换（WT）过程从EEG数据中提取omicron和COVID-19特征[22]。存在许多用于信号特征提取的方法，例如快速傅立叶变换[23]特征向量和时频分布[24]。而小波变换由于其在诊断领域的重要作用和对生物医学信号数据点的非复杂压缩而被认为是最优的方法。在这个过程中，脑电信号被表示为积木块通常称为小波。一个定制的小波函数称为移位和拉伸的特定时间轴上已被应用到提高所获得的小波从母小波。小波有连续小波和离散小波两大类。连续小波变换（CWT）可以表示为：应公众要求提供各种实验室。的分布CWT abZ1x ta b tdti1数据集如表1所示，收集的数据共包含5，544张图像，其中787张图像确认为Omicron，4757张图像为正常患者[25，26]。图像已调整为260x260分辨率。利用COVID-19放射学数据库查找COVID-19检测呈阳性的患者的X射线图像。位于卡塔尔多哈的卡塔尔大学、孟加拉国大学及其来自巴基斯坦和马来西亚的同事与医学专家合作创建了这个数据库。第一个数据集包含不同的照片，包括近250张COVID-19，1420张正常和1725张Omicron胸部X光片（CXR）。图图2a和图2b示出了COVID-19和Omicron胸部X射线图像的片段。COVID-19类别在最初发布时已扩大到1200张CXR图片。新增COVID-19阳性肺炎;-1其中x（t）是EGG信号，a和b是扩张和平移因子Wa;b t表示可以通过使用计算的复共轭。W/a;b/a/bW.t-b2其中Wt表示小波。或 者 ， 当 需 要 多 尺 度 特 征 提 取 时 ， 也 考 虑 了 离 散 小 波 变 换（DWT），其中每个尺度表示特定厚度EGG数据DWT可以表示为：S. Al-Ahmadi和F. Mohammad埃及信息学杂志24（2023）129132Fig. 1.从胸部X射线和EEG检测Omicron的架构。表1数据集描述。S.No.数据集类型数据集存储库记录数量Web源1放射摄影数据集（胸部X线图像）Kaggle3615图片https://www.kaggle.com/tawsifurrahman/covid19-radiography-database2EEG（信号）COVID档案–https://covid-arc.loni.usc.edu/#dataset图2a. 无Omicron Symptom的X射线图像。图2b. X射线图像与Omicron症状。S. Al-Ahmadi和F. Mohammad埃及信息学杂志24（2023）129133Z×× ð Þ载重吨a;b1xtWa;bttti，¼xt;Wa;bt3-1表2高效的网络架构。时隙（Si）内核分辨率（高×宽）滤波器数量在成功的变换过程之后，提取的特征已经被归一化为单位方差和零均值，其使用Fisher判别比（FDR）进一步优化。图3提供了使用WT处理的逐步特征提取处理。在所提出的架构的另一个流中，X射线图像数据已经被过滤并进一步处理以用于特征提取。为了降低所提出的工作的复杂性，设计了一个EfficientNet深度学习模型。在EfficentNet模型的第一步中，由于其增强的深度和广度，功能.特征提取和优化过程已在每秒浮点运算（FLOPS）中执行。所提出的工作的性能已经通过使用Tan等人[25]引入的相同搜索空间进行了优化。优化目标为精度FLOPS m=T，其中m表示模型，T表示时间。在建议的EfficentNet中，共有18层，K = 3，3内核= 5，5。每个X射线图像的大小是224224像素。详细的逐层描述已经显示在表2中，而EfficentNet模型摘要的代码片段显示在图2中。 四、3.4. 模型训练和验证为了开始所选迁移学习模型的训练阶段，如前一节所述，通过使用sklearn的train_test_s- plit函数，将预处理的数据集以80-20%的比例进行分割模型选择库。其中，20%的图像数据用于测试阶段，80%的图像数据用于训练集.随后，在训练图像数据的子样本随机选择的支持最后，评估指标已被应用于显示测试集上记录的性能。操作者1 EC1 K（3× 3）224×224 322 EC6 K（3× 3）112×112 163 EC6 K（3× 3）112×112 244 EC6 K（5× 5）56×56 405 EC6 K（5× 5）28×28 806 EC6 K（5× 5）14×14 1127 EC6 K（3× 3）14×14 1928 EC6 K（3× 3）7×7 3209合并&FC7 × 71280见图4。基于编程的建议架构摘要。3.5. 基于全连接迁移学习的分类在这项工作中，使用自适应卷积神经网络架构[28]的Omicron疾病检测已经在迁移学习模式中进行了训练。在特征提取方面，采用了Effi-cientNet方法.所有获得的特征都用于图三. 脑电信号的特征提取过程。S. Al-Ahmadi和F. Mohammad埃及信息学杂志24（2023）129134图五、所得结果与实际结果的比较表3混淆矩阵。实际类阳性（P）阴性（N）新出现的疾病和医学图像。除了迁移学习的好处之外，与迁移实践一起工作，模型的参数具有良好的值，这只需要很小的变化就可以很好地调整新任务。有时也使用预训练相位的模型作为特征提取器预测类阳性（P）真阳性（TP）假阳性（FP）阴性（N）假阴性（FN）真阴性（TN）加强知识转移和特征提取过程，并且在分类学上有资格执行分类。但是，由于其可扩展性和最优性，在同一模型上处理这两个任务时变得非常繁忙。整个网络的第二种解决方案是针对新任务对网络的子集进行微调。新的形象。算法1，演示传输的工作原理用于EEG图像上的Omicron检测的学习分类器迁移学习是一种递归模型，它是为特定任务训练的，可以进一步重新用于具有相同特征的类似活动。对于敏感数据（如EEG）上的Omicron检测，采用了相同的程序。要从头开始任何工作，最初没有足够的数据，迁移学习是非常有用的，特别是在catego中。见图6。 典型的ROC曲线示例。算法1：深度迁移学习过程输入：图像（EEG、X射线）输出：子模型//数据集分为训练、测试和验证初始化：class_weight = [0：10，1：2，1：1]fori¼ 1 to N doTrain（dataset，training_images，image_label，image_class_weight）如果（i1），则model_1 = save（dataset）//保存数据集如果结束，则结束model_2= save（dataset）//保存数据集对于i1至M，Train（dataset，training_images，image_label，image_class_weight）if（i/1/2）then model_3= save（Xcep）//保存Xception其他if（i）then model_4= save（Xcep）//保存Xception结束如果结束如果S. Al-Ahmadi和F. Mohammad埃及信息学杂志24（2023）129135端sub-model#5 = save（Xcep）//保存Xception返回模型S. Al-Ahmadi和F. Mohammad埃及信息学杂志24（2023）1291364. 结果本节介绍对拟议模型的评价。总结了基于准确度的每个密集分类的模型性能评估的分析4.1. 超参数配置对于每100个epoch，所提出的模型检测到一些pat-100。模型的学习率被观察为0.0001，批量大小被设置为20。在这项工作中，亚当图第七章建议工作的交叉验证S. Al-Ahmadi和F. Mohammad埃及信息学杂志24（2023）129137¼¼¼ ×表4新冠肺炎和Omicron分类模型的性能表6模型的性能折叠k准确度（%）精密度（%）召回率（%）F评分（%）类模型精度AUC灵敏度阳性预测195.5959696COVID数值（PPV）95.5969595OmicronEfficientNet B091.40%84.60%86.30%72.40%298979998COVIDEfficientNet B1百分之九十六点五百分之九十二点五百分之九十五点七85.90%98999798OmicronEfficientNet B3百分之九十五点二百分之九十三点三86.80%90.00%395.5979496COVIDVGG16百分之九十二点九五84.60%百分百69.23%95.5949795OmicronVGG1993.70%85.50%89.50%72.90%498.5989999COVIDMobileNet92.70%86.50%百分之九十三点四74.70%98.5999898OmicronResNet5090.70%81.70%90.00%63.60%598999798COVID提出百分之九十六点九八百分之九十三点九百分之九十五点九五88.75%98979998Omicron697999597COVID97999597Omicron分类模型的性能为分类准确度、准确度、F1评分、敏感性和特异性。TP-2000准确度 TPTNFPFNð4Þ精密度TP公司简介召回TPTPFFNF12P×RPð5Þð6Þð7Þ见图8。 实现模型的准确性。优化器用于降低性能损失。我们根据选定的模型要求调整所有图像的 大 小 ， 并 逐 一 收 集 结果 。 同样 ， 所 有 图 像 在 输 入 神 经 网 络EfficientNet之前都被调整为260x260。分类后的模型与一些特定的图像分辨率图。 5展示了模型的实际和预测结果。4.2. 模型评价指标已经考虑了两种不同类型的结果矩阵，用于评估深度学习模型中最典型的拟议工作每一项的详细情况见下文小节。4.2.1. 混淆矩阵通过实现EfficientNet模型来评估深度学习模型的性能通过测试所选数据集，许多指标已不同的评估标准由于测试数据集（即787张COVID图像和4757张非Omicron图像）的不平衡性质，灵敏度和特异性被认为是用于报告此类数据集的模型性能的最合适矩阵。每个测量的传统计算已经在等式4至7中给出。如表3所示的混淆矩阵对分类问题上的预测有一些影响，例如正确或错误的预测的数量通过具有导致矩阵不确定性的计数值的类来分类。然而，有时为了表征在测试数据集合上输出的分类模型，真实值通常是已知的。此工作测试数据集或具有预期结果的验证数据集。我们为每个实例的预测制作了测试数据集。预测的数量是正确的每个类计数从预测的结果和预测。4.2.2. ROC曲线当我们只有敏感性和特异性的数据集信息时，不同模型的比较对我们来说是困难的，我们可以使用阈值截断法来改变或调整数据集。我们还使用了工作特征接受者（ROC）曲线，该曲线提供TF率作为FP率的函数。我们已经绘制了图。ROC曲线的6代表假阳性率与真阳性率之比。AUC度量93.9%具有最短的误差范围，并且比其他集成方法具有更可靠的估计。加权平均集成，采取F-分数，优于其他集成策略分类EEG图像为非我们通过以下步骤显示ROC曲线：表5建议模型的分类报告。797969897COVID97989697Omicron898979998COVID98999798Omicron998.5989999COVID98.5999898Omicron1098979998COVID98999798OmicronS. Al-Ahmadi和F. Mohammad埃及信息学杂志24（2023）129138精度召回f1得分支持精度宏平均加权平均00.960.890.92800.970.940.9310.970.990.983170.980.950.94S. Al-Ahmadi和F. Mohammad埃及信息学杂志24（2023）129139图第九章基准模型在准确度、AUC、灵敏度和PPV方面的性能该ROC代表灵敏度和特异性之间的规格权衡。在这里，左上角象限中的曲线表示测试输出向边界倾斜的准确性的诊断。相应地，对角线表示曲线输出结果的正确性较差。4.2.3. 实验设置和评价就实验装置而言，开发了一种分类模型，将X射线图像和EEG数据分别分类为COVID和Omicron。使用MATLAB 2019进行了实施，PC配置如下：Core i9，3.7 GH（Intl R）和16 GB RAM。为了便于处理，还安装了一些开源工具和模型，如一个基于直方图的指定图像已被提出来描述所提出的工作的结果。所提出的模型的评估已经在一组特征上进行，这些特征通过K-Fold交叉验证分为测试和训练。分析表明，分层交叉验证在评价集上具有相同的分布。验证将特征分成K个子集进行训练和测试。图7和表4表示所提出的模型在每个折叠上的最佳性能。由此，已经表明所提出的工作正确地诊断了COVID-19和Omi- cron类。该矩阵显示出高水平的正确性，其中第一条对角线代表COVID-19（TP）和Omicron的正确识别。图8显示了用于模型的准确度曲线，以计算我们的模型在验证集上的准确度。所提出的模型在选定的数据集上的准确性记录为96.98%。表5是分类报告，显示了模型的准确率、召回率、F1和帮助评级。表6展示了不同模型架构的结果，以比较所提出的工作。在准确度和AUC（曲线下面积）方面，所提出的模型在准确度、AUC、灵敏度和阳性预测值方面给出了最好的结果，分别记录为96.98%、93.90%、95.95%和88.75%。Effi-cientNetB 1的准确率、AUC、灵敏度和阳性预测值分别为96.50%、92.50%、95.70%和85.90%，因此，Effi-cientNetB 1的准确率、AUC、灵敏度和阳性预测值均高于其他四种方法。此外，我们可以看到，在灵敏度方面，VGG16给出了100%的结果，但它给出了最差的结果，仅为69.23%阳性预测值（PPV）。所提出的模型表现明显优于国家的最先进的模型。图9显示了观察模型的性能。根据该条形图，很明显，每个模型都能很好地从X射线图像和EEG信号预测Omicron。我们可以观察到，所提出的模型在准确性、AUC、灵敏度和PPV方面的表现优于EfficientNetB0 、 EfficientNet B1 、 EfficientNet B3 、 VGG16 、 VGG19 、MobileNet和ResNet50模型。5. 结论今后的工作本文尝试使用深度迁移学习从EEG信号和X射线图像中检测Omicron变体的模式。一个有效的转移学习网络架构已被应用到识别Omicron通过EEG图像和X射线。该模型包括数据采集、预处理、利用小波变换和EfficentNet进行特征提取、最后利用迁移学习分类器进行分类。已经进行了许多实验来评估计划工作的性能。从实验评估中，已经观察到，所提出的基于深度学习的方法大大提高了低成本EEG Omicron筛查的准确性和AUC，EEG和X射线图像也可以用于成功测试病毒感染患者，以检测Omicron患者。在这项工作中，预处理，特征提取，和trans-fer学习为基础的分类相结合，构建一个强大的网络架构，用于跟踪Omicron患者。在未来，所提出的方法可以进一步用于诊断许多其他传染病，如结核病。而更精细的模型可以通过将高级机器学习模型（如强制学习和联邦学习）引入所提出的工作来构建。另一个可能的特征方向可能是在拟议的工作中添加高级相似性度量，以检测COVID-19的其他变体。竞争利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作。●●S. Al-Ahmadi和F. Mohammad埃及信息学杂志24（2023）129140确认本研究项目得到了沙特国王大学科学研究院计算机与信息科学学院研究中心的资助引用[1] [10]李文辉，李文辉.武汉2019年新型冠状病毒疫情最新情况。 医学病毒学杂 志2020;92（4）：403-7。[2] IslamN，Ebrahimzadeh S，Salameh JP，Kazi S，Fabiano N. 用于诊断COVID-19的胸部影像学检查。 Cochrane Database Syst Rev 2021;9（1）：1-147。[3] 马 果 洛 从 x 射 线 图 像 中 自 动 检 测 新 冠 肺 炎 的 方 法 的 评 论 评 估 。 InformFusion2021;76（1）：1-7.[4] AbbasA，Abdelsamea MM，Gaber MM. 使用DeTraC深度卷积神经网络对胸部X射线图像中的COVID-19进行分类。Appl Intell2021;51（2）：854-64.[5] Cameroni E，Bowen JE，Rosen LE.广泛中和抗体克服SARS-CoV-2 Omicron抗原转变。Nature2021;602（7）：664-70.[6] Singh J，Thakur D，Ali F，Gera T，Kwak KS. Android恶意软件图像的深度特征提取和分类。传感器2020;20（24）：7013.[7] RajaramanS，Siegelman J，Alderson PO，Folio LS，Folio LR，Antani SK. 迭代修剪深度学习集成，用于胸部X射线中的COVID-19检测。IEEEAccess 2021;8（1）：115041-50.[8] Adam S，Zahra SA，Chor CYT，Khare Y，Harky A. COVID-19大流行及其对服务提供的影响：心脏病学前景。心脏病学学报2020;76（8）：830-7。[9] Scherrenberg S，Frederix I，De Sutter J，Dendale P.在比利时COVID-19大流行期间使用心脏远程康复。心脏病学学报2020;76（7）：773-6。[10] [10]张文军，张文军.基于半监督浅层学习网络的肺部ct图像自动诊断新冠肺炎。IEEE Access2021;9（1）：28716-28.[11] A. 马克里斯岛Kontopoulos和K.Tserpes，60比66[12] J.邓，W. Dong，和R. Socher，248-255[13] 作者：Rawat W，Wang Z.图像分类的深度卷积神经网络：全面综述。神经计算2017;29（9）：2352-449.[14] Y. Huang，Y.黄氏Y. Cheng，中国山核桃A.巴普纳岛Firat，D. Chen，M. Chen，103-112[15] 王伟，王A. COVID-net：一个量身定制的深度卷积神经网络设计，用于从胸部X光图像中检测COVID-19病例。Sci Rep2020;10（1）：1-12.[16] Rahman M，Abdur M，Gupta BB.用于COVID-19诊断的多模式多媒体床旁深度学习框架。ACM跨多媒体计算通信应用2021;17（1）：1-24。[17] C.塞格迪湾约菲，V. Vanhoucke，和A. A. Alemi，4278-4284。[18] Pereira RM，Bertolini D，Teixeira LO.平面和分层分类场景下胸部X射线图像中的COVID-19识别。计算方法程序生物医学2020;194（1）：1-18。[19] A. I. Khan，J. L. Shah和M. M. Bhat，第196卷1，pp.2020年1[20] El-Rashidy N，Abdelrazik S，Abuhmed T，Amer E，Ali F，Hu JW，等. 在COVID-19疫情中使用机器学习的全面调查。诊断学2021;11（7）：1155。[21] Gill R，Singh J.基于EEG的情感识别系统的特征提取技术综述。软计算理论应用2021：83-95.[22] DhakaA，Nandal A，Rosales HG，Malik H，Monteagudo FLM，Martinez-AcunaMI，etal.Likestimationandwavelettransformationbasedoptimization for minimization of noisy pixels. IEEE Access 2021;9（1）：132168-90.[23] W. Wang，C.陈湖，澳-地Zhu，W. Qiu，K.太阳，X. Deng和Y. Liu，404-408[24] Padhmashree S，Bhattacharyya A.基于多变量脑电信号时频分析的人类情绪识别。基于知识的系统2022;238（1）：1-14。[25] 范·TD。使用深度学习对COVID-19胸部X光片进行分类：新模型还是微调？健康信息科学系统2021;9（1）：1-11。[26] T. D.团队，“胸片中的肺炎检测”，arXiv预印本arXiv：1811.08939，第10卷，第1期，第10页。2018年1[27] 陈伯庆，郑波，王春庆.自适应稀疏抑制EEG测量中的电力线分量。前线公共卫生2021;8（1）：1-9。[28] Ghosh S，Kim S，Ijaz MF，Singh PK，Mahmud M.基于图像编码的深度神经网络对可穿戴生理传感器的精神压力分类。生物传感器2022;12（12）：1153。